Imprimir

Programa

CURSO:APRENDIZAJE SUPERVISADO	 
TRADUCCIÓN:SUPERVISED LEARNING
SIGLA:EPG4001
CRÉDITOS:05 
MÓDULOS:02	
CARÁCTER:MÍNIMO
TIPO:CÁTEDRA, LABORATORIO
CALIFICACIÓN:ESTÁNDAR
DISCIPLINA:INGENIERÍA, COMPUTACIÓN
PALABRAS CLAVE:COMPUTACIÓN, INTELIGENCIA, ARTIFICIAL, CIENCIA, DATOS, APRENDIZAJE, SUPERVISADO


I.DESCRIPCIÓN DEL CURSO 

En este curso los estudiantes analizarán los fundamentos para crear programas que aprenden cómo resolver una tarea sin haber sido programados previamente para ello. Para ello, el curso entrega una revisión de los métodos de aprendizaje supervisado utilizados en problemas de clasificación y regresión, cómo también los métodos 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 desafíos del aprendizaje supervisado al crear un programa computacional.

3.Aplicar métodos para predicción en problemas de clasificación y regresión.

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

5.Aplicar métricas de evaluación 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 creación de programas computacionales.


III.CONTENIDOS

1.Conceptos fundamentales de aprendizaje supervisado.

2.Árboles de decisión.

3.Regresión Logística.

4.Vecinos cercanos.

5.Random Forest.

6.Naive Bayes.

7.Support Vector Machine (SVM)

8.Regresión Lineal.

9.Métricas evaluación y desempeño.


IV.ESTRATEGIAS METODOLÓGICAS

-Clases expositivas.

-Talleres prácticos de laboratorio.


V.ESTRATEGIAS EVALUATIVAS

-Controles: 30%

-Actividades prácticas en laboratorio: 30%

-Proyecto: 40%


VI.BIBLIOGRAFÍA

Mínima

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

Gerón, 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 CATÓLICA DE CHILE 
FACULTAD DE MATEMÁTICAS/ ENERO 2020