- ES Español (Latinoamérica)

3.37. AI263 Introducción a Machine Learning (Obligatorio)
- Semestre: 6to Sem. Créditos: 4
- Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
- Sílabo:


Español (Latinoamérica)

English - Prerrequisitos:
- STA251 Estadística y Probabilidades (3er Sem)
- AI161 IA Aplicada (3er Sem)
- CS210 Algoritmos y Estructuras de Datos (4to Sem)
- ES Español (Latinoamérica)

3.37.1. Justificación Volver arriba

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.
- ES Español (Latinoamérica)

3.37.2. Objetivos Generales Volver arriba

- Comprender los principios matemáticos detrás de algoritmos de ML.
- Implementar pipelines completos de ML con Python.
- Evaluar y optimizar modelos usando métricas estándar.
- ES Español (Latinoamérica)

3.37.3. Contribución a los resultados (Outcomes) Volver arriba

- 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)
- ES Español (Latinoamérica)

3.37.4. Contenido Volver arriba

- ES Español (Latinoamérica)

3.37.4.1. Fundamentos de ML (15 horas) [Habilidades AG-C08,AG-C09] Volver arriba

Referencias Bibliográficas: (Bishop, 2006; Goodfellow et al., 2016a)
Temas
- Aprendizaje supervisado vs no supervisado
- Overfitting y regularización
- Validación cruzada y curvas de aprendizaje
Aprendizaje esperado (Learning Outcomes)
- Explicar el bias-variance tradeoff [Familiarizarse]
- Implementar k-fold cross-validation [Usar]
- ES Español (Latinoamérica)

3.37.4.2. Modelos Lineales (15 horas) [Habilidades AG-C08,AG-C09] Volver arriba

Referencias Bibliográficas: (Hastie et al., 2009; Murphy, 2012)
Temas
- Regresión lineal y logística
- Máquinas de vectores de soporte (SVM)
- Análisis discriminante lineal
Aprendizaje esperado (Learning Outcomes)
- Programar modelos lineales con scikit-learn [Usar]
- Interpretar coeficientes de regresión [Evaluar]
- ES Español (Latinoamérica)

3.37.4.3. Ensambles y Árboles (15 horas) [Habilidades AG-C08,AG-C09] Volver arriba

Referencias Bibliográficas: (Hastie et al., 2009; Géron, 2022)
Temas
- Árboles de decisión y random forests
- Gradient Boosting (XGBoost, LightGBM)
- Stacking y votación
Aprendizaje esperado (Learning Outcomes)
- Optimizar hiperparámetros con GridSearch [Usar]
- Visualizar árboles de decisión [Evaluar]
- ES Español (Latinoamérica)

3.37.4.4. Redes Neuronales Básicas (15 horas) [Habilidades AG-C08,AG-C09] Volver arriba

Referencias Bibliográficas: (Goodfellow et al., 2016a; Chollet, 2021)
Temas
- Perceptrones multicapa (MLP)
- Backpropagation y optimizadores
- Introducción a Keras/TensorFlow
Aprendizaje esperado (Learning Outcomes)
- Construir redes neuronales simples [Usar]
- Monitorizar entrenamiento con TensorBoard [Evaluar]
- ES Español (Latinoamérica)

3.37.5. Referencias Bibliográficas Volver arriba

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Goodfellow, I., Bengio, Y., and Courville, A. (2016a). Deep Learning. MIT Press.
Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning. Springer, 2nd edition.
Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.
Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly, 3rd edition.
Chollet, F. (2021). Deep Learning with Python. Manning, 2nd edition.