Imprimir

Programa

CURSO:METODOS PROBABILISTICOS PARA APRENDIZAJE DE MAQUINA
TRADUCCION:PROBABLISTIC METHODS FOR MACHINE LEARNING
SIGLA:EPG4003
CREDITOS:05 
MODULOS:02	
CARACTER:MINIMO
TIPO:CATEDRA, TALLER
CALIFICACION:ESTANDAR
DISCIPLINA:INGENIERIA,COMPUTACION
PALABRAS CLAVE:COMPUTACION,INTELIGENCIA,ARTIFICIAL,CIENCIA,DATOS,METODOS,PROBABILISTICOS,APRENDIZAJE,MAQUINA


I.DESCRIPCIÓN DEL CURSO

El curso proporcionara al alumno las capacidades necesarias para poder trabajar con metodos estadisticos avanzados aplicados a los distintos problemas de aprendizaje de maquina. Estos metodos buscan aumentar la flexibilidad de los algoritmos generando modelos con mayor capacidad de adaptabilidad y aprendizaje. 


II.RESULTADOS DE APRENDIZAJE 

1.Analizar la teoria detras de los modelos para desarrollar tecnicas que busquen solucionar problemas del area de aprendizaje de maquina. 

2.Elaborar metodos estadisticos aplicados a los distintos problemas de aprendizaje de maquina.

3.Desarrollar tecnicas que busquen solucionar nuevos problemas del area de aprendizaje de maquina implementando e innovando sobre este tipo de metodos estadisticos.


III.CONTENIDOS

1.Introduccion a los modelos graficos probabilisticos. Repaso de conceptos basicos de probabilidades y teoria de grafos.

2.Redes de Bayes.

3.Modelos Graficos no dirigidos.

4.Inferencia Exacta.

5.Aprendizaje de Parametros.


IV.ESTRATEGIAS METODOLOGICAS 

-Clases expositivas.

-Lectura y discusion de textos.

-Presentacion de los estudiantes.

-Talleres.

-Proyecto de aplicacion.


V.ESTRATEGIAS EVALUATIVAS

-Controles: 40%

-Talleres: 40%

-Proyecto: 20%


VI.BIBLIOGRAFIA 

Minima

Koller, Daphne and Friedman, Nir. "Probabilistic Graphical Models: Principles and Techniques", The MIT Press, 2009.

Bishop, Christopher. "Pattern Recognition and Machine Learning", Springer Information Science and Statistics Series, 2006.

Jordan, Michael. "An Introduction to Probabilistic Graphical Models", Springer 2007.

Hastie, Trevor; Tibshirani, Robert; and Friedman, Jerome. "The Elements of Statistical Learning: Data Mining, Inference and Prediction", Springer Texts in Statistics, Springer-Verlag, New York, 2001.


Complementaria

Wasserman, Larry. "All of Statistics: a concise course in Statistical Inference", Springer Texts in Statistics, Springer-Verlag, New York, 2004.

Wasserman, Larry. "All of Nonparametric Statistics", Springer Texts in Statistics, Springer-Verlag, New York, 2005. 

Murphy, K. ?Machine Learning, A Probabilistic Perspective?, MIT Press, 2012.


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE 
FACULTAD DE MATEMATICAS/ ENERO 2020