MACHINE LEARNING

Objetivo
Este curso introduce los fundamentos del aprendizaje automático, con un enfoque teórico-práctico orientado a la resolución de problemas concretos. A lo largo del curso se estudian metodologías de aprendizaje supervisado y no supervisado, haciendo hincapié en la comprensión conceptual y en la implementación en Python. Al finalizar, se espera que los alumnos comprendan la lógica detrás de cada técnica, sepan seleccionar modelos adecuados según el contexto, y estén capacitados para aplicarlos en situaciones reales.

Temas Centrales
Se abordan los principios generales del aprendizaje automático (modelos, parámetros, funciones de pérdida, métricas y selección de modelos), técnicas de regresión logística y regularización, selección y extracción de características, modelos basados en árboles, ensamblado de modelos (bagging, random forest, boosting), análisis de componentes principales (PCA), interpretabilidad de modelos y una introducción a redes neuronales y deep learning.

FEDERICO POUSA. Doctor y Licenciado en Ciencias de la Computación por la UBA, con especialización en Investigación Operativa. Es profesor full-time en la Escuela de Negocios de la Universidad Torcuato Di Tella, donde enseña en programas de grado y posgrado. Previamente, coordinó el área de Investigación y Desarrollo en Eryx, una cooperativa dedicada a soluciones de software, data science e inteligencia artificial para la optimización de procesos.