Las evaluaciones serán efectuadas por medio de tareas, lecturas y presentaciones de papers. Se calculará la nota final del curso NF como:
NF = 0,8 x T + 0,1 x L + 0,1 x P
Donde T es el promedio de las tareas, L el promedio de las lecturas y P es la nota de presentación de paper.
Capítulo 1: Introducción
| Capítulo | Tópico | Fecha | Recursos |
|---|---|---|---|
| 1 | Introducción | Jueves 18/03 | Video - Slides |
| 1 | Fundamentos de ML Parte 1 | Martes 23/03 | Video - Slides |
| 1 | Fundamentos de ML Parte 2 | Jueves 25/03 | Video - Slides - Código |
| 1 | Fundamentos de ML Parte 3 | Martes 30/03 | Video - Slides - Ejemplos |
Capítulo 2: Datos Tabulados
| Capítulo | Tópico | Fecha | Recursos |
|---|---|---|---|
| 2 | Introducción a Redes Neuronales Parte 1 | Jueves 01/04 | Video - Slides |
| 2 | Introducción a Redes Neuronales Parte 2 | Martes 06/04 | Video - Slides - Ejemplos |
| 2 | Árboles y Ensambles Parte 1 | Jueves 08/04 | Video - Slides - Ejemplos |
| 2 | Árboles y Ensambles Parte 2 | Martes 13/04 | Video - Slides - Ejemplos |
| 2 | Redes Neuronales y Datos Tabulados | Jueves 15/04 | Video - Slides - Ejemplos |
Capítulo 3: Datos Visuales
| Capítulo | Tópico | Fecha | Recursos |
|---|---|---|---|
| 3 | Redes Convolucionales para Datos Visuales Parte 1 | Jueves 22/04 | Video - Slides - Ejemplos |
| 3 | Redes Convolucionales para Datos Visuales Parte 2 | Martes 27/04 | Video - Slides - Ejemplos |
| 3 | Segmentación Semántica | Jueves 29/04 | Video - Slides - Ejemplos |
| 3 | Aprendizaje Multitarea | Martes 04/05 | Video - Slides - Ejemplos |
Capítulo 4: Datos secuenciales
| Capítulo | Tópico | Fecha | Recursos |
|---|---|---|---|
| 4 | Redes Neuronales Recurrentes Parte 1 | Martes 18/05 | Video - Slides |
| 4 | Redes Neuronales Recurrentes Parte 2 | Jueves 20/05 | Video - Slides - Ejemplo |
| 4 | Modelos de lenguaje | Martes 25/05 | Video - Slides - Ejemplos |
| 4 | Mecanismos de atención | Jueves 27/05 | Video - Slides - Ejemplos |
| 4 | Autoatención | Martes 01/06 | Video - Slides |
Capítulo 5: Control de agentes
| Capítulo | Tópico | Fecha | Recursos |
|---|---|---|---|
| 5 | Control de agentes basado en aprendizaje | Jueves 10/06 | Video - Slides |
| 5 | Aprendizaje reforzado y funciones de valor | Martes 15/06 | Video - Slides |
| 5 | Optimización directa de políticas | Jueves 17/06 | Video - Slides |
Capítulo 6: Datos estructurados
| Capítulo | Tópico | Fecha | Recursos |
|---|---|---|---|
| 6 | Aprendizaje sobre datos estructurados | Martes 29/06 | Video - Slides |
| 6 | Redes de grafos convolucionales | Jueves 01/07 | Video - Slides - Ejemplo |
| 6 | Node embeddings | Martes 06/07 | Video - Slides |
| Tarea | Tópicos | Fecha Entrega | Recursos |
|---|---|---|---|
| Tarea 1 | Procesamiento de datos tabulados | Lunes 24/05 | Enunciado - Buzón |
| Tarea 2 | Procesamiento de datos visuales | Martes 08/06 | Enunciado - Sesión consultas - Buzón |
| Tarea 3 | Procesamiento de datos secuenciales | Jueves 01/07 | Enunciado - Sesión consultas 1 - Sesión consultas 2 - Buzón |
| Tarea 4 | El desafío final | Miércoles 21/07 | Enunciado - Sesión de consultas - Buzón |
Capítulo 2
| Capítulo | Fecha | Paper | Presentador | Recursos |
|---|---|---|---|---|
| 2 - Datos tabulados | Martes 20/04 | Deep Architecture for Citywide Travel Time Estimation Incorporating Contextual Information | José Niño | Video - Slides |
| 2 - Datos tabulados | Martes 20/04 | Deep Auto Encoder Neural Networks for Short-Term Traffic Congestion Prediction of Transportation Networks | Martín López | Video - Slides |
Capítulo 3
| Capítulo | Fecha | Paper | Presentador | Recursos |
|---|---|---|---|---|
| 3 - Datos visuales | Jueves 06/05 | A Deep Learning Model for Transportation Mode Detection Based on Smartphone Sensing Data | Andrés Ávalos | Video - Slides |
| 3 - Datos visuales | Jueves 06/05 | Dense semantic labeling of sub-decimeter resolution images with convolutional neural networks | Camila Vera | Video - Slides |
Capítulo 4
| Capítulo | Fecha | Paper | Presentador | Recursos |
|---|---|---|---|---|
| 4 - Datos secuenciales | Martes 01/06 | Combining Residual and LSTM Recurrent Networks for Transportation Mode Detection Using Multimodal Sensors Integrated in Smartphones | Vicente del Río | Video - Slides |
Capítulo 5
| Capítulo | Fecha | Paper | Presentador | Recursos |
|---|---|---|---|---|
| 5 - Control de agentes | Martes 22/06 | Dissipating Stop-And-Go Waves in Closed and Open Networks Via Deep Reinforcement Learning | Jaime Moya | Video - Slides |
| 5 - Control de agentes | Martes 22/06 | Context-Aware Taxi Dispatching at City-Scale Using Deep Reinforcement Learning | Matías Gutiérrez | Video - Slides |
Capítulo 6
| Capítulo | Fecha | Paper | Presentador | Recursos |
|---|---|---|---|---|
| 6 - Grafos | Jueves 08/07 | Semi-Supervised Classification with Graph Convolutional Networks | Carlos Muñoz | Video - Slides |
| 6 - Grafos | Jueves 08/07 | Graph Attention Networks | Felipe Gutiérrez | Video - Slides |
| 6 - Grafos | Jueves 08/07 | T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction | Darío Farren | Video - Slides |
Las notas oficiales se irán actualizando en SIDING.
Al correo del profesor: halobel@ing.puc.cl. Aquí pueden enviar sus inquietudes sobre el desarrollo del curso.
La página de Issues se utilizará como foro para preguntas. Se recomienda preferir este medio antes que el mail, para que la información esté disponible para todos.