Aprendizaje Computacional 2
Profesores:
Eduardo
F. Morales
emorales
(AT) inaoep.mx
Hugo Jair Escalante
hugojair (AT)
inaoep.mx
Descripción general: Ver introducción
El objetivo general de curso es conocer
técnicas de aprendizaje computacional no vistas en el curso
introductorio y actualizarse en las tendencias del área. En este curso
se van a ver algunos temas recientes de Aprendizaje Computacional. El
temario de este curso varía cada año dependiendo de las últimas
tendencias del área.
El temario para el 2021 (no necesariamente en este orden) es:
- Introducción (slides),
Sub-modular (slides),
Parametric (slides)
- Ensembles
(slides)
- Transfer Learning (slides)
- Semi-supervised Learning (slides)
- Multi-label (slides)
- Evolutionay ML (slides)
- Model Selection and Auto ML
(slides)
- Inductive Logic Programming (slides)
- Reinforcement Learning (slides)
- Deep Learning (slides)
- Deep Reinforcement Learning (slides)
- Recent advances and perspectives (slides)
- Entrega de proyectos (Ver lista de proyectos)
La evaluación del curso es con base en un proyecto relacionado a la
temática vista en el curso.
Proyecto Final:
Presentación - 15 minutos máximo por proyecto
Reporte del Proyecto Final - Entregar un documento en forma de
artículo científico (usar formato LN de Springer) de máximo 10 páginas
(sin incluir anexos) de su proyecto final que contenga lo
siguiente:
- Resumen
- Introducción
- Trabajo relacionado
- Metodología y Desarrollo
- Experimentos y resultados
- Conclusiones y trabajo futuro
- Referencias (usar algún formato estandar)
- Anexos (resultados en detalle, modelos, código, ...)