CURSO:APRENDIZAJE NO SUPERVISADO TRADUCCION:UNSUPERVISED LEARNING SIGLA:EPG4002 CREDITOS:05 MODULOS:02 CARACTER:MINIMO TIPO:CATEDRA, LABORATORIO CALIFICACION:ESTANDAR DISCIPLINA:INGENIERIA,COMPUTACION PALABRAS CLAVE:COMPUTACION,INTELIGENCIA,ARTIFICIAL,CIENCIA,DATOS,APRENDIZAJE,NO SUPERVISADO I.DESCRIPCIÓN DEL CURSO El descubrimiento de patrones en datos no estructurados es de gran ayuda cuando se requiere obtener informacion util desde un corpus de datos, donde en general no se dispone de categorias o anotaciones sobre la semantica de los datos que se quiere analizar. En este curso, los alumnos aprenderan las principales tecnicas de aprendizaje no supervisado con aplicaciones a clustering y a reduccion de dimensionalidad, con enfasis en los algoritmos mas comunes y aplicaciones practicas. II.RESULTADOS DE APRENDIZAJE 1.Explicar la diferencia entre la aplicacion de algoritmos de aprendizaje supervisado y no supervisado. 2.Distinguir problemas donde sean aplicables algoritmos de aprendizaje no supervisado para gestionar datos no estructurados. 3.Analizar el funcionamiento de los principales algoritmos de aprendizaje supervisado para su evaluacion en conjuntos de datos reales. 4.Proponer la aplicacion de un algoritmo de aprendizaje no supervisado segun las caracteristicas y tama?o de los datos. 5.Dise?ar procedimientos para aplicar un algoritmo de aprendizaje no supervisado en conjuntos de datos reales, y encontrar informacion util. 6.Analizar las variaciones de los algoritmos mas comunes para mejorar el resultado del uso de los algoritmos. III.CONTENIDOS 1.Reglas de Asociacion. 2.K-Means Clustering. 3.Clustering Jerarquico. 4.DB-Scan, BIRCH, Mean Shift. 5.Gaussian Mixtures y Expectation Maximization. 6.Principal Component Analysis (PCA), Singular Value Decomposition (SVD) 7.Modelacion de documentos: Bag of Words, Latent Dirichlet Allocation (LDA) IV.ESTRATEGIAS METODOLOGICAS -Clases expositivas. -Talleres practicos de laboratorio. V.ESTRATEGIAS EVALUATIVAS -Controles: 30% -Actividades practicas en laboratorio: 30% -Proyecto: 40% VI.BIBLIOGRAFIA Minima C. Bishop, ?Pattern Recognition and Machine Learning?. Springer, 2007. L. Kaufman, P. J. Rousseeuw. ?Finding Groups in Data: An Introduction to Cluster Analysis?. John Wiley & Sons, 2005. Complementaria M. E. Celebi, K. Aydin. ?Unsupervised Learning Algorithms?. Springer, 2016. PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE FACULTAD DE MATEMATICAS/ ENERO 2020