Imprimir

Programa

CURSO:MÉTODOS PROBABILÍSTICOS PARA APRENDIZAJE DE MÁQUINA
TRADUCCIÓN:PROBABLISTIC METHODS FOR MACHINE LEARNING
SIGLA:EPG4003
CRÉDITOS:05 
MÓDULOS:02	
CARÁCTER:MÍNIMO
TIPO:CÁTEDRA, TALLER
CALIFICACIÓN:ESTÁNDAR
DISCIPLINA:INGENIERÍA,COMPUTACIÓN
PALABRAS CLAVE:COMPUTACIÓN,INTELIGENCIA,ARTIFICIAL,CIENCIA,DATOS,MÉTODOS,PROBABILÍSTICOS,APRENDIZAJE,MÁQUINA


I.DESCRIPCIÓN DEL CURSO

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


II.RESULTADOS DE APRENDIZAJE 

1.Analizar la teoría detrás de los modelos para desarrollar técnicas que busquen solucionar problemas del área de aprendizaje de máquina. 

2.Elaborar métodos estadísticos aplicados a los distintos problemas de aprendizaje de máquina.

3.Desarrollar técnicas que busquen solucionar nuevos problemas del área de aprendizaje de máquina implementando e innovando sobre este tipo de métodos estadísticos.


III.CONTENIDOS

1.Introducción a los modelos gráficos probabilísticos. Repaso de conceptos básicos de probabilidades y teoría de grafos.

2.Redes de Bayes.

3.Modelos Gráficos no dirigidos.

4.Inferencia Exacta.

5.Aprendizaje de Parámetros.


IV.ESTRATEGIAS METODOLÓGICAS 

-Clases expositivas.

-Lectura y discusión de textos.

-Presentación de los estudiantes.

-Talleres.

-Proyecto de aplicación.


V.ESTRATEGIAS EVALUATIVAS

-Controles: 40%

-Talleres: 40%

-Proyecto: 20%


VI.BIBLIOGRAFÍA 

Mínima

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 CATÓLICA DE CHILE 
FACULTAD DE MATEMÁTICAS/ ENERO 2020