Aprendizaje Automático y Análisis de Datos

Información Básica

  • Créditos: 3
  • Horas de trabajo acompañado: 5 / semana (3 horas clase, 2 horas taller)
  • Horas de trabajo independiente: 4 / semana
  • Pre-requisitos: Estadística, Análisis y Diseño de Algoritmos, Probabilidad
  • Tipo de curso: Énfasis

Descripción del Curso

Este curso profundiza en las técnicas de aprendizaje automático que se utilizan para hacer análisis de datos. En particular se estudian las técnicas computacionales que aprovechan grandes volúmenes de datos para identificar regularidades o patrones de interés, también las que permiten encontrar agrupamientos naturales de los datos, hacer predicciones con base en información histórica o visualizar tendencias o comportamientos en los sistemas que generan los datos.

Objetivos

Al finalizar el curso los participantes podrán:

- Identificar preguntas que pueden ser contestadas usando técnicas de aprendizaje automático sobre conjuntos de datos.

- Aplicar variadas técnicas de aprendizaje automático a tareas específicas para responder preguntas de interés.

- Interpretar los resultados obtenidos por las técnicas computacionales a la luz del contexto de la tarea a resolver.

- Evaluar el desempeño de las técnicas computacionales aplicadas.

- Comparar el desempeño de diversas técnicas y recomendar aquella o aquellas que mejor se adecúan a la tarea a resolver.

Se desarrollan competencias en

- Solución creativa de problemas computacionales

- Pensamiento crítico

- Comunicación oral y escrita

Contenido

Capítulo 1: Introducción

Sesión Horas teóricas Prácticas acompañadas Temas Profundidad Bibliografía
1 1,5 1 Definición y ejemplos de una variedad de aplicaciones del aprendizaje automático Uso [1 caps 1]
2 1,5 1 Tipos de aprendizaje: supervisado, no supervisado, por refuerzo Uso [1 caps 1, 2]
3 1,5 1 Diseño de experimentos de entrenamiento y prueba: conjuntos de entrenamiento y prueba, estimación de parámetros, leave one out, validación cruzada Uso [2 caps 2, 5]
4 1,5 1 Desempeño de clasificadores: métricas, curvas ROC Uso [6 caps 2]
5 1 1,5 Práctica sobre diseño de experimentos Uso
6 1 1,5 Práctica sobre evaluación del desempeño Uso

Total de Horas: 15.

Capítulo 2: Aprendizaje estadístico

Sesión Horas teóricas Prácticas acompañadas Temas Profundidad Bibliografía
7 1,5 1 Regresión lineal Uso [2 caps 3]
8 1,5 1 Regresión logística, análisis discriminante lineal Uso [2 caps 4]
9 1,5 1 Análisis discriminante cuartico, método de los vecinos más cercanos Uso [2 caps 4]
10 1,5 1 Estimación de parámetros por máxima verosimilitud Uso [2 caps 4]
11 1,5 1 Remuestreo y selección de características Uso [2 caps 5]
12 1,5 1 Manejo de datos de alta dimensionalidad Uso [2 caps 6]

Total de Horas: Valor 15.

Capítulo 3: Aprendizaje supervisado

Sesión Horas teóricas Prácticas acompañadas Temas Profundidad Bibliografía
13 1,5 1 Aprendizaje de árboles de decisión Familiaridad [1 caps 3]
14 1,5 1 Redes neuronales artificiales Uso [1 caps 4][4 caps 5]
15 1,5 1 Redes neuronales artificiales Uso [1 caps 4][4 caps 5]
16 1,5 1 Máquinas de vectores de soporte Uso [2 caps 9]
17 1 1,5 Implementación de métodos de aprendizaje supervisado Uso
18 1 1,5 Comparación entre métodos de aprendizaje supervisado Evaluación

Total de Horas: 15.

Capítulo 4: Aprendizaje no supervisado

Sesión Horas teóricas Prácticas acompañadas Temas Profundidad Bibliografía
19 1,5 1 Análisis de componentes principales Uso [2 caps 10]
20 1,5 1 Métodos jerárquicos Uso [2 caps 10]
21 1,5 1 Métodos basados en centroide Uso [2 caps 10][4 caps 9]
22 1,5 1 Mapas autoorganizados Uso
23 1 1,5 Comparación entre métodos de aprendizaje no supervisado Evaluación

Total de Horas: 12,5.

Capítulo 5: Aprendizaje de modelos gráficos

Sesión Horas teóricas Prácticas acompañadas Temas Profundidad Bibliografía
24 1,5 1 Redes de Bayes Uso [4 caps 8]
25 1,5 1 Inferencia en redes de Bayes Familiaridad [4 caps 8]
26 1,5 1 Inferencia en modelos ocultos de Markov Familiaridad [4 caps 8]
27 1,5 1 Algoritmo EM (Expectation - maximization) Familiaridad [4 caps 8]

Total de Horas: 10.

Capítulo 6: Análisis de datos

Sesión Horas teóricas Prácticas acompañadas Temas Profundidad Bibliografía
28 1,5 1 Análisis de datos en negocios Familiaridad
29 1,5 1 Análisis de datos en bioinformática Familiaridad
30 1,5 1 Análisis de datos sobre grafos Familiaridad
31 1,5 1 Visualización de datos Familiaridad
32 1 1,5 Examen parcial

Horas**: 12,5.

Integración Curricular

Resultados de Programa (ABET)

(A) La habilidad para aplicar conocimientos de matemáticas, ciencias e ingeniería.

(B) La habilidad para analizar un problema e identificar los requerimientos necesarios para su definición y solución.

(C) La habilidad para diseñar, implementar y evaluar procesos y sistemas computacionales.

(D) La habilidad para funcionar en equipos de trabajo.

(E) El entendimiento de la responsabilidad profesional y ética.

(F) La habilidad para comunicarse efectivamente.

(G) La habilidad para analizar los impactos de la computación y la ingeniería en las personas, organizaciones y la sociedad.

(H) El reconocimiento de la necesidad de, y la habilidad para, continuar con el desarrollo profesional.

(I) La habilidad para usar las técnicas, destrezas y herramientas modernas para la práctica de la computación.

(J) La habilidad para aplicar los fundamentos y principios de las matemáticas y de la computación en el modelamiento y diseño de sistemas computacionales de manera que se demuestre comprensión de las ventajas y desventajas en las decisiones de diseño.

(K) La habilidad para aplicar los principios de diseño y desarrollo de software en la construcción de sistemas de diferente complejidad.

Relevancia del curso con los resultados de programa

Resultados de Programa
A B C D E F G H I J K
Relevancia 5 5 3

Escala: (1) baja relevancia - (5) alta relevancia.

Integración de objetivos, contenido y metodología del curso

El curso es presencial y con participación y trabajo en clase. Se asignarán investigaciones, ejercicios y lecturas. Durante la sesión se expondrán los conceptos acompañados de ejemplos, se fomentará la participación de los estudiantes. Se realizará un taller semanal en el que se ponga en práctica algunos conceptos de computación.

Resultados del Programa Indicadores de Desempeño Objetivos/Contenido del Curso Actividades de aprendizaje Instrumentos de medición
(A) Aplicación de Conocimientos (A1) Identificar los fundamentos científicos y los principios de ingeniería que rigen un proceso o sistema. (Conocimiento) (A2) Resolver problemas relacionados con la disciplina y otras áreas por medio de la utilización de conocimientos, modelos y formalismos de las ciencias de la computación, las matemáticas y la ingeniería. (Aplicación) (A3) Analizar conjuntos de datos. (Análisis) Capítulo 1 Exposiciones del profesor, solución de ejercicios y lecturas Exámenes
(I) Uso de herramientas y técnicas (I1) Utilizar herramientas de desarrollo de software. (Aplicación). (I2) Utilizar herramientas de diseño, modelamiento y simulación. (Aplicación). (I3) Combinar herramientas de software y hardware para resolver un problema. (Síntesis). (I4) Demostrar flexibilidad para adaptarse a diferentes paradigmas y lenguajes de programación. (Valuación). Capítulos 2,3,4 Laboratorios y lecturas Proyecto y tareas
(J) Modelamiento y diseño de sistemas computacionales (J1) Reconocer la importancia del modelamiento cuando se resuelve un problema. (Compresión). (J2) Relacionar conceptos y principios teóricos para la resolución efectiva de un problema. (Síntesis). Capitulos 2,3,4 Lecturas Proyectos y tareas

Contribución al Desarrollo de Competencias (CNA)

Resultados de Programa
A B C D E F G H I J K
Ciudadanía X X
Comunicación escrita X
Lectura crítica X
Inglés X
Razonamiento cuantitativo X X X X X X

Contribución a los objetivos educacionales

La Carrera de Ingeniería de Sistemas y Computación plantea los siguientes objetivos educacionales, El estudiante graduado de la carrera será capaz de:

  1. Ejercitar la práctica de la Ingeniería de Sistemas y Computación profesionalmente.
  2. Diseñar y operar sistemas de computación que contribuyen a la solución de problemas relacionados a la disciplina, otra área de la ciencia y la ingeniería u otras disciplinas.
  3. Contribuir al bienestar de las comunidades desde posiciones prominentes en la industria, academia, sector público o como un emprendedor.
  4. Ser distinguido por su bases sólidas en computación, su sentido de ciudadanía responsable, su profesionalismo y liderazgo.
  5. Continuar su desarrollo profesional o involucrarse en estudios de posgrado.
Resultados de Programa
A B C D E F G H I J K
Objetivo 1
Objetivo 2
Objetivo 3
Objetivo 4
Objetivo 5

Recomendaciones del Director del Programa

Reglas del curso

Calificación y Balance de Evaluación del Curso

Instrumento Porcentaje A B C D E F G H I J K
Parcial 30 % 20 % 10%
Proyecto 1 20 % 10 % 10%
Proyecto 2 20 % 5 % 15%
Proyecto 3 20 % 5% 15 %
Talleres 10 % 5% 5%

Uso de material en exámenes

Asistencia

Bibliografía

  1. Machine learning. Tom Mitchell. McGraw Hill. 1997
  2. Introduction to statistical learning with applications in R. 6a impresión. 2015.
  3. The elements of statistical learning. Trevor Hastie et al. Springer. Second Edition. 2009.
  4. Pattern recognition and machine learning. Christopher Bishop. Springer. 2006.
  5. Artificial Intelligence a moder approach. Stuart Russell, Peter Norving. Pearson. Third edition. 2009.
  6. Pattern classification. Richard Duda et. al. Second edition. 2000.

Instalaciones

Salón de clase con computador y proyector. Laboratorio de Ingeniería de Sistemas y Computación.

Material de este semestre

 
materias/aprendizajeautomaticoanalisisdatos.txt · Última modificación: 2016/08/18 17:12 por galvarez
Recent changes RSS feed Donate Powered by PHP Valid XHTML 1.0 Valid CSS Driven by DokuWiki