Profundizando en Machine Learning

Curso

Profundizando en Machine Learning

Departamento de Ingeniería Eléctrica y Electrónica
Inicio / Programas / Profundizando en Machine Learning

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

  1. Entender la teoría detrás de las herramientas principales en Machine Learning. 
  2. 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
  • 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

Luis Felipe Giraldo Trujillo PhD

PhD en Ingeniería Eléctrica de la Universidad Estatal de Ohio, Estados Unidos. Actualmente es profesor asistente del departamento de Ingeniería Eléctrica y Electrónica de la Universidad de los Andes. Sus líneas de investigación están orientadas al desarrollo de proyectos donde la tecnología y desarrollo social van de la mano. Se ha destacado por dictar de forma sencilla y clara conceptos teóricos relacionados con Machine Learning. Para más información ver http://wwwprof.uniandes.edu.co/~lf.giraldo404/.