4.26.2.7 Aprendizaje de máquina avanzado (20 horas) [Habilidades a,j]

Referencias Bibliográficas: [Russell and Norvig, 2003,Koller and Friedman, 2009,Murphy, 2012a] Temas
  1. Definición y ejemplos de una amplia variedad de tareas de aprendizaje de máquina
  2. Aprendizaje general basado en estadística, estimación de parámetros (máxima probabilidad)
  3. Programación lógica inductiva (Inductive logic programming ILP)
  4. Aprendizaje supervisado
    1. Aprendizaje basado en árboles de decisión
    2. Aprendizaje basado en redes neuronales
    3. Aprendizaje basado en máquinas de soporte vectorial (Support vector machines SVMs)
  5. Aprendizaje y clustering no supervisado
    1. EM
    2. K-means
    3. Mapas auto-organizados
  6. Aprendizaje semi-supervisado.
  7. Aprendizaje de modelos gráficos
  8. Evaluación del desempeño (tal como cross-validation, area bajo la curva ROC)
  9. Aplicación de algoritmos Machine Learning para Minería de datos.
Objetivos de Aprendizaje
  1. Explica las diferencias entre los tres estilos de aprendizaje: supervisado, por refuerzo y no supervisado [Usage]
  2. Implementa algoritmos simples para el aprendizaje supervisado, aprendizaje por refuerzo, y aprendizaje no supervisado [Usage]
  3. Determina cuál de los tres estilos de aprendizaje es el apropiado para el dominio de un problema en particular [Usage]
  4. Compara y contrasta cada una de las siguientes técnicas, dando ejemplo de cuando una estrategia es la mejor: árboles de decisión, redes neuronales, y redes bayesianas [Usage]
  5. Evalúa el rendimiento de un sistema de aprendizaje simple en un conjunto de datos reales [Usage]
  6. Describe el estado del arte en la teoría del aprendizaje, incluyendo sus logros y limitantes [Usage]
  7. Explica el problema del sobreajuste, conjuntamente con técnicas para determinar y manejar el problema [Usage]

Generado por Ernesto Cuadros-Vargas , Sociedad Peruana de Computación-Peru, basado en el modelo de la Computing Curricula de IEEE-CS/ACM