Aprendizaje Automático

Acceso de invitadosAuto-matriculación

El Aprendizaje Automático (o Machine Learning en inglés) se ha convertido en una herramienta fundamental en el campo de la computación y la ciencia de datos, permitiendo a los profesionales desarrollar modelos predictivos y analíticos a partir de datos. 

Esta materia proporcionará una base sólida en los principios y técnicas del aprendizaje automático, así como también oportunidades para aplicar estos conocimientos en proyectos prácticos. La materia se focaliza en entender los métodos en profundidad poniendo especial atención en las decisiones de diseño de cada una de las técnicas y su relación con las hipótesis que se tengan sobre los datos, así también como buenas prácticas. 

Detalles del curso:

  • La materia da 3 puntos de optativa para licenciatura en computación (plan 93) o equivalentemente 80 créditos (plan 2023), una cantidad a confirmar de puntos para doctorado en computación y 128 horas para la carrera de ciencia de datos.

  • Días y horarios: Martes y Jueves de 17:00 a 21:00. 100% presencial.

  • Primera clase: 19 de Marzo (ver https://exactas.uba.ar/calendario-academico/) 

  • Carga horaria: 8 horas semanales. 16 semanas. Clases teórico/prácticas. 

  • Carga horaria estimada fuera del horario: de 4 horas semanales en promedio. 

  • Evaluación: 2 parciales + 2 trabajos prácticos grupales + cuestionarios obligatorios (tarea semanal que consiste en implementación de notebooks y secciones de libros y papers obligatorios). 

  • Correlativas obligatorias para alumnos de licenciatura (sin excepciones). Prácticos aprobados de:

    • Métodos numéricos + Algoritmos III (para lic. computación)

    • Introducción a la estadística + Algoritmos III (para lic. datos). 

    • “Yo tengo una de las dos y la otra la estoy cursando, ¿podría cursar?” No, pero buenas noticias,  la vamos a dar el cuatri que viene también así que no hay problema porque tenés este cuatrimestre para aprobarlas!

Contenidos:

  • Aprendizaje de conceptos.

  • Evaluación y selección de modelos.

  • Sesgo y Varianza.

  • Clasificadores: Árboles de decisión, KNN, Naive Bayes, LDA, SVM, regresión logística.

  • Regresión: KNN, árboles, regresión lineal (visión con descenso por el gradiente)

  • Ensambles: Bagging, Random Forest, Boosting.

  • Redes neuronales clásicas, profundas, recurrentes.  

  • Clustering: K-Means, GMM, algoritmo EM, clustering jerárquico aglomerativo, DSCAN.

  • Reducción de dimensionalidad. 

  • Evaluación de clasificadores probabilísticos.

Extracto de la Bibliografía 

  • Mitchell, "Machine Learning", McGraw-Hill, 1997.

  • James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. “An introduction to statistical learning: With applications in python”. Springer Nature. 2023

  • Hastie, Tibshirani & Friedman, "The Elements of Statistical Learning", 2nd ed, Springer, 2009.

  • Bishop, "Pattern Recognition and Machine Learning", Springer, 2006.

  • LeCun, Y., Bengio, Y.,  Hinton, G. . “Deep learning. Nature”, 2015

  • Müller & Guido, "Introduction to Machine Learning with Python", O'Reilly, 2016.


¡Los esperamos!