Machine Learning

Objetivo

  • Proveer una visión general del proceso de aprendizaje y su aplicación a las computadoras.
  • Estudiar y comprender las diferentes técnicas de aprendizaje automático.
  • Analizar casos reales de aplicación de las técnicas estudiadas.
  • Aplicar las técnicas a problemas reales.

Temas Centrales

Introducción. ¿Qué significa aprender? Problemas canónicos de aprendizaje. Árboles de Decisión. Formalización del problema de aprendizaje.
Limites del Aprendizaje. Clasificador Óptimo de Bayes. Lo que sabemos antes de tener datos. No todo puede aprenderse. Underfitting y Overfitting. Datos de entrenamiento y de prueba. Modelos, parámetros e hiperparámetros. Aplicaciones reales de Machine Learning.
Modelos Básicos. Geometría y Vecinos Más Cercanos. De los datos a los vectores de características. K-vecinos más cercanos. Límites de decisión. K-means. Grandes dimensiones. El Perceptron. Cuestiones prácticas. Features (Características). Normalización. Pruebas de calidad del modelo.
Modelos Básicos II. Más allá de la Clasificación Binaria. Modelos Lineales. Métodos de Optimización.
Bias e Igualdad. Métodos para determinar bias. Modelado Probabilístico. Estimación de densidad. Estimación estadística. Naïve Bayes. Predicción. Redes Neuronales.
Modelos Avanzados I. Métodos de Kernel. Teoría del Aprendizaje. Métodos de Ensamble. Aprendizaje Eficiente. Modelos Avanzados II. Aprendizaje No Supervisado. Maximización del Valor Esperado. Predicción Estructurada. Aprendizaje por Imitación.

Requisitos

- Minería de Datos
- Fundamentos de Algoritmos.

Profesor

FEDERICO POUSA. Doctor en Ciencias de la Computación, UBA con especialidad en Investigación Operativa. Licenciado en Ciencias de la Computación, UBA. Actualmente coordina el espacio de I+D en Eryx, una empresa dedicada a proveer soluciones de software, data science e inteligencia artificial.