- ES Español (Latinoamérica)

- EN English

7.61. Teoría de Aprendizaje Estadístico (Electivo)
- Semestre: 9no Sem. Créditos: 4
- Horas del curso: Teoría: 2 horas; Práctica: 4 horas;
- Sílabo:
- htmlonly

Español (Latinoamérica)

English - Prerrequisitos:
- MA352 Procesos estocásticos (8vo Sem)
- MA372 Análisis funcional II (8vo Sem)
7.61.1. Justificación ↑ Volver arriba
Este curso proporciona los fundamentos teóricos del aprendizaje estadístico, cubriendo los principios matemáticos que sustentan los algoritmos de aprendizaje automático. Se enfoca en el análisis teórico de la capacidad de generalización, complejidad de modelos, y garantías de rendimiento para diversos métodos de aprendizaje. El curso conecta la teoría con la práctica a través del estudio de cotas de generalización, compensación sesgo-varianza, y fundamentos de la teoría de aprendizaje computacional.
7.61.2. Objetivos Generales ↑ Volver arriba
- Comprender los fundamentos de la teoría de aprendizaje estadístico y sus bases probabilísticas.
- Analizar la compensación sesgo-varianza en la selección y evaluación de modelos de aprendizaje automático.
- Aplicar la teoría de Vapnik-Chervonenkis (VC) para analizar la complejidad y capacidad de generalización de modelos.
- Desarrollar y demostrar cotas de generalización para diferentes algoritmos de aprendizaje.
- Conectar los principios teóricos con la implementación práctica de algoritmos de aprendizaje estadístico.
7.61.3. 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-3) Habilidad para desarrollar y llevar a cabo experimentos o probar hipótesis, analizar e interpretar datos y utilizar el juicio científico para obtener conclusiones. (Usage)
7.61.4. Contenido ↑ Volver arriba
7.61.4.1. Fundamentos del Aprendizaje Estadístico (20 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Vapnik, 1998; Hastie et al., 2009)
Temas
- Compensación sesgo-varianza
- Teoría de Vapnik-Chervonenkis (VC)
- Minimización de riesgo empírico
- Cotass de generalización
- Fundamentos de teoría de aprendizaje
Aprendizaje esperado (Learning Outcomes)
- Analizar la compensación sesgo-varianza en selección de modelos [Evaluar]
- Aplicar teoría VC para analizar complejidad de modelos [Usar]
- Implementar minimización de riesgo empírico [Usar]
- Interpretar cotas de generalización [Familiarizarse]
7.61.4.2. Métodos de Aprendizaje Supervisado (20 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Hastie et al., 2009; James et al., 2013)
Temas
- Modelos lineales y extensiones
- Máquinas de Vectores Soporte (SVM)
- árboles de decisión y métodos de ensamblado
- Métodos de kernel
- Aprendizaje supervisado probabilístico
Aprendizaje esperado (Learning Outcomes)
- Implementar y analizar modelos lineales [Usar]
- Aplicar SVM para clasificación y regresión [Usar]
- Construir métodos de ensamblado (bagging, boosting) [Usar]
- Usar métodos de kernel para problemas no lineales [Usar]
7.61.4.3. Métodos de Aprendizaje No Supervisado (20 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Murphy, 2012; Bishop, 2006)
Temas
- Algoritmos de clustering (k-means, jerárquico)
- Reducción de dimensionalidad (PCA, t-SNE)
- Estimación de densidad
- Aprendizaje de variedades
- Autoencoders y aprendizaje profundo no supervisado
Aprendizaje esperado (Learning Outcomes)
- Aplicar algoritmos de clustering para exploración de datos [Usar]
- Implementar PCA y otros métodos de reducción de dimensionalidad [Usar]
- Usar estimación de densidad para aprendizaje no supervisado [Usar]
- Analizar técnicas de aprendizaje de variedades [Evaluar]
7.61.4.4. Evaluación y Selección de Modelos (20 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Hastie et al., 2009; James et al., 2013)
Temas
- Estrategias de validación cruzada
- Métricas de rendimiento para clasificación y regresión
- Comparación de modelos y pruebas estadísticas
- Optimización de hiperparámetros
- Curvas de aprendizaje y herramientas de diagnóstico
Aprendizaje esperado (Learning Outcomes)
- Implementar validación cruzada para evaluación de modelos [Usar]
- Seleccionar métricas de rendimiento apropiadas [Evaluar]
- Comparar modelos usando pruebas estadísticas [Usar]
- Optimizar hiperparámetros usando métodos sistemáticos [Usar]
7.61.5. Referencias Bibliográficas ↑ Volver arriba
Vapnik, V. N. (1998). Statistical Learning Theory. Wiley, 1st edition.
Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2nd edition.
James, G., Witten, D., Hastie, T., and Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer, 1st edition.
Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press, 1st edition.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer, 1st edition.