- Introducción
- Objetivo
- Estructura del Curso:
- Evaluación
- Absentismo
- Temario
- Slides
- Tareas
- Libros de Texto
- Material Especial requerido para la clase
- Políticas
En esta clase veremos técnicas avanzadas de Machine Learning y sus aplicaciones en la industria. Conoceremos técnicas mas avanzadas de aprendizaje supervisado y no supervisado, asi como de aprendizaje reforzado.
Los estudiantes serán capaces de implementar y validar diferentes técnicas de Machine Learning en diferentes sets de datos relacionados a distintos campos. Los estudiantes conoceran la diferencia entre aprendizaje reforzado y otros tipos de aprendizaje.
Esta clase será Jueves de 7:00 p.m a 10:00 p.m.
Clases, tareas, temario y políticas de calificaciones se encuentran disponibles en el sitio web: https://leonpalafox.github.io/ml2_class_2022/
Estaré disponible antes de la clase en mi oficina (Mi casa), o haciendo una cita al correo electornico lfpalafox@up.edu.mx.
La evaluación consistirá en:
-
El proyecto final será el 60% de la evaluación final.
- El proyecto final consistira en el uso de un técnica de Machine Learning en un set de datos de su preferencia, con su correspondiente diseño y evaluación.
- Pueden hacer equipos de hasta tres personas.
- Necesitan hacer un reporte de 3-5 paginas sobre el set de datos, el diseño y las variables usadas.
- Al final necesitan justificar el uso de un modelo de Machine Learning para el caso de uso
- Necesitan crear un pipeline de principio a fin con procesamiento y muestra de resultados.
- Template
-
El restante 40% será distribuido de la siguiente forma:
- Un examen final.
- Participación en clase
Es obligatorio atender a todas las sesiones.
En caso de alguna situación extraordinaria se deberá platicarlo con el profesor.
- Introducción
- Aprendizaje reforzado. (Sesion 1)
- Reducción de Dimensionalidad: ICA - PCA (Sesiones 2,3,4)
- Métodos de agrupamiento: Bagging - XGBoost (Sesión 5)
- Explicabilidad en Machine Learning
El curso no requiere de libros de texto adjuntos, sin embargo, los siguientes libros son útiles para dar seguimiento al curso:
- Bishop, Christopher M. Pattern recognition and machine learning. Springer, 2006.
- Rogers, Simon, and Mark Girolami. A first course in machine learning. CRC Press, 2011. (Esta en la biblioteca de la UP :D)
- James, Gareth, et al. An introduction to statistical learning. New York: Springer, 2013.
- Petersen, Kaare Brandt, and Michael Syskind Pedersen. The matrix cookbook. Technical University of Denmark 7 (2008): 15.
- Sutton, Richard S., and Andrew G. Barto. "Reinforcement learning: An introduction." (2011).
Se require una computadora con Python instalado.
Se pueden utilizar teléfonos y bipers, siempre y cuando no molestén al resto del salón.