El machine learning no supervisado capacita a las máquinas para aprender patrones y estructuras complejas sin necesidad de datos etiquetados. Al no utilizar anotaciones que indiquen cuál es la salida correcta para los datos, estos algoritmos deben descubrir por sí mismos las estructuras o relaciones inherentes en estos. Este tipo de aprendizaje es esencial para identificar patrones útiles que puedan ser utilizados en la toma de decisiones en una amplia gama de campos y aplicaciones, y contribuye en la construcción de otros tipos modelos a partir de datos.

Este curso explora en profundidad las técnicas fundamentales del aprendizaje no supervisado, como la agrupación, la reducción de la dimensionalidad y la detección de anomalías. Al finalizar el curso, el estudiante estará en capacidad de aplicar estas técnicas para desarrollar soluciones alineadas con problemas específicos y las características de los datos disponibles. Se guiará a los estudiantes a través del proceso de aprendizaje a partir de datos, capacitándolos para abordar diversos casos de estudio en actividades prácticas y así interactuar con una amplia gama de contextos de aplicación.

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 sobre programación en Python, probabilidad y estadística y algebra lineal, y que haya cursado Principios de machine learning y Matemáticas para machine learning.

Horario: Los cursos se realizarán en hora Colombia

Jueves de 5:30 p.m. a 6:50 p.m.

*Horario sujeto 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 3.0

2. Si es admitido, se aprueban y homologan los cursos cuya nota sea igual o mayor a 3.0 sobre 5.0, siempre y cuando el ponderado total de las notas de los 4 cursos sea igual o mayor a 4.0 sobre 5.0.

3. 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

Programas para

Inteligencia Artificial: Machine learning, ética y nuevas tendencias

Filtrar por:

Principios de machine learning

Machine learning supervisado

Introducción a la Inteligencia Artificial contemporánea

Machine learning no supervisado