Estudiantes de la EPN representaron a Latinoamérica en competencia internacional
Kharol Chicaiza, Ivanna Cevallos, Mateo Sarzosa y Fabricio Simbaña, estudiantes de la Facultad de Ingeniería de Sistemas de la Escuela Politécnica Nacional (FIS-EPN) representaron a Latinoamérica en la competencia internacional Cyber 9/12 Strategy Challenge, que se realizó en Washington DC, Estados ...
CALL FOR PAPERS Latin-American Journal of Computing (LAJC)
La Revista Latin American Journal of Computing (LAJC) es una publicación de Acceso Abierto Diamante revisada por pares doble ciego, auspiciada por la Facultad de Ingeniería de Sistemas de la Escuela Politécnica Nacional de Ecuador, una de las mejores universidades de investigación en Ciencias de la ...
New Issue Published Volume 11 Issue 1 (January 2024)
We cordially invite our readership worldwide to check out the new issue of the Latin-American Journal of Computing (LAJC)
loading...
loading...
loading...

Data mining y machine learning

DATOS GENERALES

Código ICCD623
Pensum 2020
Horas semanales 9
Tipo Obligatoria
Asignaturas pre-requisitos ISWD553 - Bases de datos distribuidas
Asignaturas co-requisitos Ninguna
Unidad de organización curricular Unidad Profesional

RESULTADOS DE APRENDIZAJE

De conocimiento
 Estudiar y analizar los fundamentos, enfoques y algoritmos de machine learning y data mining
De destrezas Diseñar e implementar soluciones basadas en algoritmos de machine learning para la extracción de información, análisis, visualización y construcción de modelos de predicción a partir de datos 
De valores y actitudes Abstraer problemas y desarrollar soluciones con responsabilidad y ética profesional

CONTENIDO

Capítulo 1 Fundamentos de machine learning
  1. Introducción a machine learning;
  2. Problemas de clasificación, regresión y clustering;
  3. Conjuntos de entrenamiento, validación y testeo (hold-out), y
  4. Overfitting, underfitting y maldición de la dimensionalidad.
Capítulo 2 Programación Matemática para el machine learning
  1. Álgebra lineal: tensores para la manipulación de datos;
  2. Cálculo diferencial numérico: autodiferenciación;
  3. Probabilidades: Probabilidad conjunta, condicional, Teorema de Bayes, PDF, MDF, y
  4. Estimación de error y análisis de desempeño: exactitud, precisión, sensibilidad, validación cruzada, matriz de confusión y curvas ROC.
Capítulo 3 Algoritmos de aprendizaje supervisados estadísticos
  1. Naïve Bayes, k-nearest neighbors (kNN) y árboles de decisión;
  2. Regresión lineal, regresión logística y clasificador sofmax;
  3. Support vector machines (SVM).
Capítulo 4 Algoritmos de aprendizaje supervisados neuronales
  1. Redes neuronales feed-forward;
  2. Redes neuronales convolucionales;
  3. Redes neuronales recurrentes;
  4. Mecanismos de atención, y
  5. Transformers.
Capítulo 5 Aprendizaje no supervisado
  1. Clustering: k-means, Mapas autorganizados (SOM);
  2. Métodos de estimación y maximización EM y MLE;
  3. Reducción de la dimensionalidad: PCA, LDA y Autoencoders;
  4. Modelos de Mesclas Gausianas, y
  5. Market basket analysis.
Capítulo 6 Aprendizaje por refuerzo
  1. Procesos de decisión Markovianos: Cadenas de Markov y HMM;
  2. Exploración vs. Explotación, y
  3. Algoritmos de aprendizaje por refuerzo.

Teléfono
(+593) 2 2976 300 ext 4701
Correo electrónico
info@epn.edu.ec
Dirección
Av. Ladrón de Guevara 253, Quito 170517

Back to top