Curso Profundizando en Machine Learning
Machine Learning se refiere al conjunto de modelos que permiten identificar patrones en datos para la toma de decisiones inteligentes. Hoy en día es parte fundamental de la Inteligencia Artificial y es aplicado en áreas que van desde las ingenierías, ciencias básicas, y economía hasta el marketing y finanzas. Actualmente existen un sinnúmero de cursos que enseñan herramientas y funciones en diferentes entornos de programación que implementan los modelos en Machine Learning, pero son pocos son los cursos donde se enseña cómo se construyen dichos modelos. Entender los fundamentos es clave para tener criterios en el uso de estas herramientas en los diferentes escenarios de aplicación.Profundizando en Machine Learning es un curso que muestra, de forma introductoria, las formulaciones matemáticas de los modelos más utilizados en Machine Learning. Este curso está enfocado a aquellas personas que ya tienen fundamentos matemáticos y que están interesadas en entender qué es lo que realmente está detrás de lo que conocemos como aprendizaje automático de máquinas.
Dirigido a
Profesionales, estudiantes de últimos semestres de pregrado, y estudiantes de posgrado en carreras con fundamentación matemática como ingenierías, economía, administración, física, y matemáticas.
Objetivos
- Entender la teoría detrás de las herramientas principales en Machine Learning.
- Introducir temas y conceptos nuevos que permitan al estudiante conocer nuevas áreas de aplicación e investigación
Metodología
Clases sincrónicas con el profesor donde se desarrollarán ejemplos aplicando los conceptos.Contenido
Introducción al Machine Learning- Qué es Machine Learning
- Extracción de características
Aprendizaje supervisado
- Clasificación
- Regla MAP y métodos generativos
- Naive Bayes classifier
- Métodos discriminativos
- Clasificador de los vecinos más cercanos (k-NN)
- Máquinas de soporte vectorial (SVM)
- Interpretación de modelos
- Validación cruzada
- Regla MAP y métodos generativos
- Regresión
- Regresión lineal
- Predicción en series de tiempo
- Indicadores de desempeño
- Árboles de decisión, Random Forests, Gradient Boosting
- Redes neuronales
- Regresión y clasificación
- Deep Learning, redes convolucionales (CNNs), generative adversarial networks (GANs)
Aprendizaje no supervisado
- Detección de fallas
- Reducción de dimensionalidad con PCA
- Métodos de agrupamiento
Otras formas de aprendizaje
- Learning to rank
- Reinforcement Learning
- Ética en Machine Learning
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.
