5.36. AI263. Introducción al Aprendizaje de Máquina (Obligatorio)
- Semestre: 6to Sem. Créditos: 4
- Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
-
Prerrequisitos:
- CS261. Inteligencia Artificial (5to Sem)
5.36.1. Justificación
Este curso introduce los fundamentos del aprendizaje automático, cubriendo algoritmos clásicos y modernos para problemas de clasificación, regresión y agrupamiento. Se enfoca en la implementación práctica usando scikit-learn y TensorFlow, con aplicaciones en visión por computadora y procesamiento de lenguaje natural.
5.36.2. Objetivos Generales
- 1.
- Comprender los principios matemáticos detrás de algoritmos de ML.
- 2.
- Implementar pipelines completos de ML con Python.
- 3.
- Evaluar y optimizar modelos usando métricas estándar.
5.36.3. Contribución a los resultados (Outcomes)
-
AG-C08) Análisis de Problemas: Identifica, formula y analiza problemas complejos de computación. (Usage)
-
AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Usage)
5.36.4. Contenido
5.36.4.1. Fundamentos de ML (15 horas) [Habilidades AG-C08,AG-C09]
Referencias Bibliográficas: [Bishop, 2006, Goodfellow et al., 2016a]
Temas
- 1.
- Aprendizaje supervisado vs no supervisado
- 2.
- Overfitting y regularización
- 3.
- Validación cruzada y curvas de aprendizaje
Aprendizaje esperado (Learning Outcomes)
- 1.
- Explicar el bias-variance tradeoff [Familiarizarse]
- 2.
- Implementar k-fold cross-validation [Usar]
5.36.4.2. Modelos Lineales (15 horas) [Habilidades AG-C08,AG-C09]
Referencias Bibliográficas: [Hastie et al., 2009, Murphy, 2012]
Temas
- 1.
- Regresión lineal y logística
- 2.
- Máquinas de vectores de soporte (SVM)
- 3.
- Análisis discriminante lineal
Aprendizaje esperado (Learning Outcomes)
- 1.
- Programar modelos lineales con scikit-learn [Usar]
- 2.
- Interpretar coeficientes de regresión [Evaluar]
5.36.4.3. Ensambles y Árboles (15 horas) [Habilidades AG-C08,AG-C09]
Referencias Bibliográficas: [Hastie et al., 2009, Géron, 2022]
Temas
- 1.
- Árboles de decisión y random forests
- 2.
- Gradient Boosting (XGBoost, LightGBM)
- 3.
- Stacking y votación
Aprendizaje esperado (Learning Outcomes)
- 1.
- Optimizar hiperparámetros con GridSearch [Usar]
- 2.
- Visualizar árboles de decisión [Evaluar]
5.36.4.4. Redes Neuronales Básicas (15 horas) [Habilidades AG-C08,AG-C09]
Referencias Bibliográficas: [Goodfellow et al., 2016a, Chollet, 2021]
Temas
- 1.
- Perceptrones multicapa (MLP)
- 2.
- Backpropagation y optimizadores
- 3.
- Introducción a Keras/TensorFlow
Aprendizaje esperado (Learning Outcomes)
- 1.
- Construir redes neuronales simples [Usar]
- 2.
- Monitorizar entrenamiento con TensorBoard [Evaluar]