En machine learning supervisado el objetivo es modelar la relación entre un objeto de entrada y una o más variables de salida, de manera que el modelo nos permita predecir la salida para una entrada nueva. En este curso estudiaremos los modelos de machine learning supervisado más usados en la práctica, y aspectos generales del problema de aprendizaje supervisado que son esenciales para el diseño y evaluación de estos modelos.
Al finalizar el curso el estudiante tendrá la habilidad de identificar problemas que se pueden resolver usando Machine Learning supervisado, implementar una solución de machine learning supervisado a problemas prácticos y evaluar el desempeño de modelos de machine learning supervisado.
Plataforma virtual: Este curso hace parte de la Maestría en Inteligencia Artificial de la Universidad de los Andes en la plataforma Coursera.
Contexto requerido:
Se espera que el estudiante posea un dominio en temas básicos sobre programación en Python, conocimientos en álgebra lineal, probabilidad y estadística, algoritmos de minimización de funciones y optimización no lineal con restricciones.
Horario*:
Miércoles de 17:30 a 18:50 hora Colombia*.
*Estos horarios están sujetos a modificaciones.
Metodología:
El estudiante estará guiado por profesores y tutores expertos en el área, y tendrán apoyo con tecnologías, herramientas e infraestructura computacional de última generación, ofreciendo una experiencia de aprendizaje superior. La experiencia de aprendizaje incluirá clases semanales en vivo con profesores a través de Zoom, ejercicios con compañeros y módulos semanales a través de video; el contenido interactivo consiste en evaluaciones en línea, trabajos en grupo, presentaciones en línea, y más. Los cursos incluyen lecturas complementarias, tareas y foros de discusión que ayudan a generar conexiones con sus compañeros.
Los estudiantes tendrán la oportunidad de interactuar directamente con profesores y tutores durante clases sincrónicas semanales, así como a través de horarios de consulta, correo electrónico y foros. Los trabajos, exámenes y proyectos serán guiados y evaluados por los profesores para asegurarse de mantener el rigor de los estudiantes y estos puedan recibir retroalimentación personalizada y constante.
Proyecto:
En este curso realizarás actividades prácticas para probar los conocimientos teóricos adquiridos.
Idioma: Los cursos serán ofrecidos 100% en español. Sin embargo, es recomendable que tengas un buen nivel de compresión de lectura en inglés, pues muchos contenidos académicos serán presentados en este idioma.
Créditos académicos: 2
*Podrás inscribirte a este curso bajo la categoría Extensión, los cursos bajo esta modalidad otorgan créditos y notas, por tanto, pueden ser homologables una vez el estudiante sea admitido a la Universidad, de acuerdo con el reglamento de estudiantes y de homologaciones. La aprobación de los cursos de extensión no garantiza el ingreso a ningún programa regular de la Universidad.
Si deseas homologar cursos vistos por extensión en el programa de maestría, se requiere que:
1. La nota final individual de cada curso sea superior a 3.00
2. El total de créditos del conjunto total de cursos a homologar no sea superior a 16.
Nota: si tiene inquietudes de tipo académico podrá comunicarse a maia@uniandes.edu.co
Este curso hace parte del portafolio de materias de pregrado y posgrado de la Universidad abiertas a todo público.
Al participar en este curso podrás vivir la experiencia Uniandina, acceder a contenidos de calidad, tomar clases con estudiantes regulares, acceder al sistema de bibliotecas de Uniandes y participar en las actividades culturales que esta Universidad te ofrece.
Objetivos
Se espera que al finalizar el curso el estudiante esté en capacidad de:
- Identificar y especificar problemas que se pueden resolver usando machine learning supervisado.
- Implementar una solución de machine learning supervisado a problemas prácticos.
- Evaluar modelos de machine learning supervisado.
Contenido
Semana 1:
Ejemplos de problemas resueltos con machine learning supervisado. Elementos principales de un problema de aprendizaje supervisado. Tipos de machine learning supervisado.
Semana 2:
Elementos del problema de machine learning supervisado: función de error, entrenamiento y selección de modelo.
Semana 3:
Redes neuronales. Entrenamiento con el algoritmo de backpropagation y sus variantes. Aplicaciones de redes neuronales a clasificación y regresión.
Semana 4:
Selección de modelo y regularización. Validación cruzada y validación cruzada k-fold. Regularización L1 y L2.
Semana 5:
Métodos basados en kernels. Clasificación con kernels (Support Vector Machines) . Regresión con kernels (Support Vector Regression).
Semana 6:
Arboles de decisión y modelos combinados. Bagging. Random Forests. Adaboost. Xgboost.
Semana 7:
Clasificación con datos no balanceados y/o con costos de clasificación errónea. Técnicas de sobremuestreo y submuestreo. Métodos de clasificación que incorporan costos.
Semana 8:
Introducción a modelos generativos. Estimadores de máxima verosimilitud. Bayes Ingénuo. Discriminadores lineales y cuadráticos. El algoritmo EM.
Profesores
Condiciones
Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.
La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.
