Imprimir

Programa

CURSO:APRENDIZAJE NO SUPERVISADO	 
TRADUCCIÓN:UNSUPERVISED LEARNING
SIGLA:EPG4002
CRÉDITOS:05 
MÓDULOS:02	
CARÁCTER:MÍNIMO
TIPO:CÁTEDRA, LABORATORIO
CALIFICACIÓN:ESTÁNDAR
DISCIPLINA:INGENIERÍA,COMPUTACIÓN
PALABRAS CLAVE:COMPUTACIÓN,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 información útil desde un corpus de datos, donde en general no se dispone de categorías o anotaciones sobre la semántica de los datos que se quiere analizar. En este curso, los alumnos aprenderán las principales técnicas de aprendizaje no supervisado con aplicaciones a clustering y a reducción de dimensionalidad, con énfasis en los algoritmos más comunes y aplicaciones prácticas.


II.RESULTADOS DE APRENDIZAJE 

1.Explicar la diferencia entre la aplicación 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 evaluación en conjuntos de datos reales.

4.Proponer la aplicación de un algoritmo de aprendizaje no supervisado según las características y tamaño de los datos.

5.Diseñar procedimientos para aplicar un algoritmo de aprendizaje no supervisado en conjuntos de datos reales, y encontrar información útil.

6.Analizar las variaciones de los algoritmos más comunes para mejorar el resultado del uso de los algoritmos.


III.CONTENIDOS

1.Reglas de Asociación.

2.K-Means Clustering.

3.Clustering Jerárquico.

4.DB-Scan, BIRCH, Mean Shift.

5.Gaussian Mixtures y Expectation Maximization.

6.Principal Component Analysis (PCA), Singular Value Decomposition (SVD)

7.Modelación de documentos: Bag of Words, Latent Dirichlet Allocation (LDA)


IV.ESTRATEGIAS METODOLÓGICAS 

-Clases expositivas.

-Talleres prácticos de laboratorio.


V.ESTRATEGIAS EVALUATIVAS

-Controles: 30%

-Actividades prácticas en laboratorio: 30%

-Proyecto: 40%


VI.BIBLIOGRAFÍA 

Mínima

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 CATÓLICA DE CHILE 
FACULTAD DE MATEMÁTICAS/ ENERO 2020