¡Esta es una revisión vieja del documento!


Aprendizaje Automático

Objetivos

  • Aprender las posibilidades y limitaciones actuales del desarrollo de sistemas computacionales capaces de mejorarse a sí mismos mediante la experiencia
  • Comprender las diferentes estrategias que pueden seguirse al momento de diseñar un sistema que aprende y estar en capacidad de seleccionar la o las más adecuadas a una tarea particular
  • Entender los conceptos teóricos básicos que dan sustento a las técnicas disponibles en el área

Descripción

En este curso se presenta el tema del aprendizaje automático (en inglés Machine Learning) desde las definiciones básicas y los conceptos involucrados; con una estrategia más en anchura que en profundidad se consideran diversos enfoques conocidos: aprendizaje simbólico, estadístico, de conglomerados, redes neuronales, algoritmos genéticos y aprendizaje por refuerzo. El curso tiene un enfoque práctico en cuanto al estudio de algoritmos y métodos específicos y su aplicación a tareas concretas; también tiene un componente teórico al considerar algunos modelos que definen en forma precisa lo que significa “aprendizaje” automático y gracias a los cuales se puede establecer que determinadas técnicas exhiben propiedades fundamentales como por ejemplo la convergencia; dichas propiedades demuestran la utilidad práctica de los algoritmos que las cumplen.

Metodología

El curso es presencial y se impartirá mediante clases magistrales. Cada sesión consta de una temática impartida por los profesores y actividades que deben ser realizadas por el estudiante. Antes de iniciar cada tema, se recomienda la lectura de la bibliografía relacionada, de modo que el estudiante tenga una base de conocimiento que le permita participar en el desarrollo del tema durante la clase. Se impartirán algunas clases prácticas, en las que se utilizarán herramientas de software que permitan hacer uso de los métodos estudiados.

Contenido

Introducción

  • Planteamiento de unproblema de aprendizaje
  • Arquitecturas de un programa que aprende
  • Retos y limitaciones del aprendizaje automático

Conceptos Básicos

  • Aprendizaje como modelamiento
  • Medidas para evaluación de desempeño
  • Comparación de desempeño entre algoritmos
  • Combinación de varios algoritmos

Aprendizaje de conceptos

  • Hipótesis del aprendizaje inductivo
  • Aprendizaje como busqueda
  • Algoritmo de eliminación de candidatos
  • Sesgo (bias) inductivo

Aprendizaje estadístico

  • El vecino más cercano
  • Análisis de discriminantes
  • El algoritmo EM
  • Máquinas de soporte vectorial
  • Evaluación de hipótesis

Aprendizaje Simbólico

  • Árboles de decisión
  • Reglas de decisión
  • Reglas de asociación
  • Clasificador Bayesiano ingenuo
  • Redes de Bayes
  • Inferencia gramatical

Análisis de conglomerados

  • Medidas de disimilaridad
  • Agrupamiento jerárquico
  • Agrupamiento particional
  • Agrupamiento basado en modelos
  • Otros métodos de agrupamiento

Redes Neuronales y algoritmos genéticos

  • Perceptrones multicapa
  • Redes de funciones de base radial
  • Algoritmos genéticos: operadores, función fitness
  • Programación genética
  • Modelos de evolución y aprendizaje

Aprendizaje por refuerzo

  • Aprendizaje Q

Teoría de aprendizaje

  • Máxima verosimilitud
  • Principio de las descripción de longitud mínima
  • Teoría de computabilidad y funciones recursivas
  • Teoría formal de aprendizaje
  • Propiedades de las funciones de aprendizaje
  • Propiedades de los datos de entrada
  • Criterio de convergencia

Teoría computacional de aprendizaje

  • Modelo de aprendizaje PAC
  • Aprendizaje en presencia de ruido
  • Aprendizaje débil y fuerte

Plan Semanal

ClaseDescripciónBibliografía
1IntroducciónML97 Cap 1, MLDT07 cAP1,2
2Conceptos básicos de aprendizaje automáticoMLDM Cap3
3Aprendizaje de ConceptosML Cap 2
4Aprendizaje SimbólicoMLDM Cap 9, ML Cap 3,10
5Aprendizaje Simbólico
6Taller
7Aprendizaje EstadísticoMLDM Cap 10, ML Cap 5,8
8Aprendizaje Estadístico
9Análisis de ConglomeradosMLDM Cap 12
10Redes Neuronales Artificiales y Algoritmos GenéticosMLDM Cap 4, MLDM Cap 11
11Aprendizaje por RefuerzoML Cap 13
12Taller
13Teoría de Aprendizaje (máxima verosimilitud y descripción de longitud mínima, identificación en el límite)MLDM Cap 13, ML Cap 6
14Teoría de Aprendizaje (máxima verosimilitud y descripción de longitud mínima, identificación en límite)
15Teoría computacional de aprendizaje (PAC) ML Cap 7, MLDM Cap 14
16Evaluación Final

Evaluación

  • Evaluación 1 (incluye el tema de las semanas 1-6): 30%
  • Evaluación 2 (incluye el tema de las semanas 7-12): 30%
  • Examen Final (Acumulativo): 30%
  • Reporte en forma de artículo científico: 10%

Bibliografía

  • [ML] Machine Learning. Tom M. Mitchell. MacGraw-Hill 1997
  • [MLDM] Machine Learning and data mining: Introduction to principles and algorithms. Igor Kononenko, Matjaz Kukar. Horwood Publishing. 2007
  • Pattern recognition and machine learning. Christopher M. Bishop. Springer International. 2006
  • Pattern classification. Richard O. Duda, Peter E. Hart, David G. Stork. Jhon Wiley and Sons. 2 ed. 2001
  • Computational Learning theory: an introduction. Martin Anthoni, Norma Biggs. Cambridge University Press, c1997
  • Introduction to machine learning and bioinformatics. Sushmita Mitra, Sujay Datta, Theodore Perkins, George Michailidis. CRC Press 2008
    • Bioinformatics: the machine learning approach. Pierre F. Baldi, Soren Brunak. MIT PRESS. 2ED. 2001
 
materias/aprendizaje_automatico.1446828637.txt.gz · Última modificación: 2015/11/06 11:50 por laura.triana
Recent changes RSS feed Donate Powered by PHP Valid XHTML 1.0 Valid CSS Driven by DokuWiki