- ES Español (Latinoamérica)

- EN English

7.43. Introducción al Aprendizaje de Máquina (Obligatorio)
- Semestre: 8vo Sem. Créditos: 4
- Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
- Sílabo:
- htmlonly

Español (Latinoamérica)

English - Prerrequisitos:
- CS261 Inteligencia Artificial (7mo Sem)
7.43.1. 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.
7.43.2. 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.
7.43.3. Contribución a los resultados (Outcomes) ↑ Volver arriba
- ABET-1) Habilidad para identificar, formular y resolver problemas técnicos o científicos ampliamente definidos mediante la aplicación de conocimientos de matemáticas y ciencias y/o temas técnicos en áreas relevantes para la disciplina. (Usage)
- ABET-2) Habilidad para formular o diseñar un sistema, proceso, procedimiento o programa para el propósito previsto. (Usage)
7.43.4. Contenido ↑ Volver arriba
7.43.4.1. Fundamentos de ML (15 horas) [Habilidades ABET-1,ABET-2] ↑ 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]
7.43.4.2. Modelos Lineales (15 horas) [Habilidades ABET-1,ABET-2] ↑ 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]
7.43.4.3. Ensambles y Árboles (15 horas) [Habilidades ABET-1,ABET-2] ↑ 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]
7.43.4.4. Redes Neuronales Básicas (15 horas) [Habilidades ABET-1,ABET-2] ↑ 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]
7.43.5. Referencias Bibliográficas ↑ Volver arriba
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer, 1st edition.
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: Data Mining, Inference, and Prediction. Springer, 2nd edition.
Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press, 1st edition.
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.