Imprimir

Programa

CURSO:APRENDIZAJE SUPERVISADO	 
TRADUCCION:SUPERVISED LEARNING
SIGLA:EPG4001
CREDITOS:05 
MODULOS:02	
CARACTER:MINIMO
TIPO:CATEDRA, LABORATORIO
CALIFICACION:ESTANDAR
DISCIPLINA:INGENIERIA, COMPUTACION
PALABRAS CLAVE:COMPUTACION, INTELIGENCIA, ARTIFICIAL, CIENCIA, DATOS, APRENDIZAJE, SUPERVISADO


I.DESCRIPCIÓN DEL CURSO 

En este curso los estudiantes analizaran los fundamentos para crear programas que aprenden como resolver una tarea sin haber sido programados previamente para ello. Para ello, el curso entrega una revision de los metodos de aprendizaje supervisado utilizados en problemas de clasificacion y regresion, como tambien los metodos para evaluar el rendimiento de ellos en el cumplimiento de la tarea desarrollada.


II.RESULTADOS DE APRENDIZAJE 

1.Analizar los conceptos fundamentales del aprendizaje supervisado.

2.Distinguir los problemas y desafios del aprendizaje supervisado al crear un programa computacional.

3.Aplicar metodos para prediccion en problemas de clasificacion y regresion.

4.Identificar ventajas y desventajas de los metodos de aprendizaje supervisado dependiendo de la tarea a realizar.

5.Aplicar metricas de evaluacion y rendimiento para evaluar el aprendizaje supervisado.

6.Seleccionar el algoritmo adecuado dependiendo de la tarea a realizar.

7.Resolver problemas reales, desde la perspectiva de aprendizaje supervisado, mediante la creacion de programas computacionales.


III.CONTENIDOS

1.Conceptos fundamentales de aprendizaje supervisado.

2.Arboles de decision.

3.Regresion Logistica.

4.Vecinos cercanos.

5.Random Forest.

6.Naive Bayes.

7.Support Vector Machine (SVM)

8.Regresion Lineal.

9.Metricas evaluacion y desempe?o.


IV.ESTRATEGIAS METODOLOGICAS

-Clases expositivas.

-Talleres practicos de laboratorio.


V.ESTRATEGIAS EVALUATIVAS

-Controles: 30%

-Actividades practicas en laboratorio: 30%

-Proyecto: 40%


VI.BIBLIOGRAFIA

Minima

Kelleher, J., Namee, B.M., D'Arcy, A. ?Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies (1st Ed.).?, MIT Press, 2015.

Murphy, K. ?Machine Learning: A Probabilistic Perspective (1st Ed.).?, MIT Press, 2012.

Flach, P. ?Machine Learning: The Art and Science of Algorithms that Make Sense of Data (1st Ed.).?, Cambridge University Press, 2012.
 
 
Complementaria

Geron, A. ?Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (1st Ed.).?, O?Reilly, 2017.

Bishop, C. ?Pattern Recognition and Machine Learning?, Springer, 2011.


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE 
FACULTAD DE MATEMATICAS/ ENERO 2020