Atributos
Sigla: 
CI-0148
Créditos: 
4
Horas: 
5
Clasificación: 
Curso propio
Descripción: 

Este curso ofrece al estudiante una introducción a los principales métodos y técnicas de aprendizaje en máquinas computacionales.

Objetivo general: 

Conocer los fundamentos teóricos y las distintas clases de métodos de aprendizaje en máquinas computacionales, para proponer soluciones a problemas en los que se requiere un mejoramiento de la eficacia o la eficiencia de la solución computacional.

Objetivos específicos: 

Durante este curso cada estudiante desarrollará habilidades para:

  1. Describir, explicar y aplicar ejemplos representativos de métodos de aprendizaje en máquinas computacionales
  2. Comparar los métodos estudiados para hacer recomendaciones de aplicación para resolver distintas clases de problemas.
Contenidos: 
Objetivo específico Eje temático Desglose
1 Formas de aprendizaje en una máquina computacional 
 
Aprendizaje en una máquina computacional. Adaptación y mejoramiento del conocimiento: mejoramiento de la eficacia vs. la eficiencia.
1 Clases de aprendizaje  Rote learning, aprendizaje por inserción, aprendizaje analítico, aprendizaje inductivo, aprendizaje analógico, aprendizaje por observación y descubrimiento. Aprendizaje supervisado vs. no supervisado. Un modelo conceptual de aprendizaje en una máquina computacional.
1,2 Métodos supervisados simbólicos  Inducción a los árboles de decisión, el espacio de versiones, aprendizaje basado en explicaciones.
1,2 Métodos supervisados subsimbólicos  Redes neuronales artificiales, algoritmos genéticos, máquinas de soporte vectorial.
1,2 Métodos no supervisados  Aprendizaje estadístico.
1,2 Aprendizaje en sistemas distribuidos Aprendizaje en sistemas multiagente, aprendizaje colaborativo.
2 Evaluación y comparación de los resultados de la aplicación de métodos de aprendizaje computacional. Medidas de desempeño y técnicas de análisis del conocimiento producido por los métodos de aprendizaje computacional.
Bibliografía: 

[1] C.M. Bishop. ((Pattern Recognition and Machine Learning)). Springer Series on Information Science and Statistics (2006).
[2] R.O. Duda, P.E. Hart y D.G. Stork. ((Pattern Classification)). John Wiley Sons, 2da edición edición (2002).
[3] M. R. Genesereth y N. J. Nilsson. ((Logical Foundations of Artificial Intelligence)). Morgan Kaufmann (1987).
[4] T. Hastie, R. Tibshirani y J. Friedman. ((The Elements of Statistical Learning: Data Mining, Inference and Prediction)). Springer (2001).
[5] M. Mohri, A. Rostamizadeh y A. Talwalkar. ((Foundations of Machine Learning)). Adaptive Computation and Machine Learning. The MIT Press (2012).
[6] Andrew Ng. ((CS 229 Machine Learning)). MIT Open Courseware: http://cs229.stanford.edu/materials.html.
[7] J. Savage. ((Models of Computation. Exploring the power of computing)). Brown University Press (1998).
[8] Y. Shoham y K. Leyton-Brown. ((Multiagent Systems. Algorithmic, game theoretic, and logical foundations)). http://www.masfoundations.org (2011).
[9] R.S. Sutton y A.G. Barto. ((Reinforcement Learning: An Introduction)). The MIT Press (1998).

LIberación de responsabilidad: 

Este no es un documento oficial. Documentos oficiales se entregan en la secretaría de la escuela.