Imprimir

Programa

CURSO:FUNDAMENTOS DE MACHINE LEARNING Y DEEP LEARNING
TRADUCCIÓN:MACHINE LEARNING AND DEEP LEARNING FUNDAMENTALS
SIGLA:INF3552
CRÉDITOS:05
MÓDULOS:02		
CARÁCTER:OPTATIVO
TIPO:CÁTEDRA	
CALIFICACIÓN:ESTÁNDAR 
PALABRAS CLAVE:APRENDIZAJE DE MÁQUINA, INTELIGENCIA ARTIFICIAL, APRENDIZAJE PROFUNDO
NIVEL FORMATIVO:MAGÍSTER


I.DESCRIPCIÓN DEL CURSO

En el curso los estudiantes se aproximarán a los conceptos y herramientas esenciales para la utilización de Machine Learning (ML) en las más diversas industrias. Analizarán en situaciones y contextos las potencialidades y limitaciones  para el desarrollo de métodos capaces de generalizar comportamientos y reconocer patrones a partir de la experiencia, permitiendo que un computador emule la forma en que las personas piensan y aprenden, sin que haya sido explícitamente programado para ello, trabajando con estudios de casos reales de la industria. 


II.RESULTADOS DE APRENDIZAJE

1.Valorar la utilidad del Aprendizaje Automático o Machine Learning (ML) y el Aprendizaje Profundo o Deep Learning (DL).

2.Identificar potencialidades y limitaciones de ML y DL para resolver diferentes tipos de problemas en diferentes industrias.

3.Identificar situaciones y contextos en los cuales ML puede resolver problemas de gran valor de negocio.

4.Desarrollar un plan de implementación de proyectos y/o capacidades de ML en una empresa, analizando y evaluando infraestructura, servicios, y disponibilidad de datos.

5.Proponer un plan estratégico de desarrollo de tecnología basado en ML, alineado con la estrategia corporativa.


III.CONTENIDOS

1.Aprendizaje Automático Supervisado
1.1.Modelos de ML, capacidades y características, así como ejemplos de aplicación.
1.2.Metodología de desarrollo de modelos
1.3.Tratamiento y refinamiento de datos

2.Aprendizaje Profundo Supervisado
2.1.Conceptos esenciales y diferencias con ML más básico
2.2.Redes Neuronales Convolucionales y Redes Neuronales Recurrentes
2.3.Análisis dimensional, entrenamiento, y tratamiento de grandes datos

3.Aprendizaje Automático No-Supervisado
3.1.Diferentes modelos como K-Means, HDBSCAN, Restricted Boltzmann Machines, entre otros.

4.Aplicaciones Industriales
4.1.Clasificación, predicción, y recomendación, en contextos industriales y retail.
4.2.Procesamiento de lenguaje natural, en atención de clientes y ámbito legal.

5.El futuro Inmediato en ML y DL
5.1.Hacia el razonamiento artificial


IV.ESTRATEGIAS METODOLÓGICAS

-Clases expositivas.

-Laboratorio práctico.

-Estudio de casos.


V.ESTRATEGIAS EVALUATIVAS

-Controles: 50%

-Examen final: 50%


VI.BIBLIOGRAFÍA

Mínima

Barlow, M. “Practical Artificial Intelligence in the Cloud”, O'Reilly Media, 2017.

Bishop, C., “Pattern Recognition and Machine Learning”, Springer, 2010.

Foreman, J. W. “Data Smart: Using Data Science to Transform Information into Insight”, Wiley, 2013.

Jan, H., Kamber, M., “Data Mining: Concepts and Techniques”, Morgan Kaufmann, 2011. 

Kaldero, N., “Data Science for Executives: Leveraging Machine Intelligence to Drive Business ROI. Lioncrest Publishing, 2018.

Provost, F., Fawcett, T., “Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking”, O'Reilly Media, 2013. 

Zheng, A. “Evaluating Machine Learning Models”, O'Reilly Media, 2015.


Complementaria

Benson, J., DeMaria Barry T., “Personal Kanban: Mapping Work | Navigating Life”, CreateSpace, 2011.

Beyer, D. “The Future of Machine Intelligence”, O'Reilly Media, 2016.

Johnson, K. “The Entrepreneur Mind: 100 Essential Beliefs, Characteristics, and Habits of Elite Entrepreneurs”, Johnson Media, 2012.

Kureishy, A., Meley, C., Mackenzie, B. “Achieving Real Business Outcomes from Artificial Intelligence”, O'Reilly Media, 2018.

Needham, J. “Disruptive Possibilities: How Big Data Changes Everything”, O'Reilly Media, 2013.

Thiel, P., Masters, B. “Zero to One: Notes on Start Ups, or How to Build the Future”, Random House, 2014.

Warrillow, J. “Built to Sell: Creating a Business That Can Thrive Without You”, Portfolio, 2012.

Weinberg, G., Mares, J. “Traction: A Startup Guide to Getting Customers”, S-curves Publishing, 2014.


PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE 
ESCUELA DE INGENIERÍA / JUNIO 2020