Aprendizaje Computacional
Profesores:
Eduardo F. Morales
emorales (AT) inaoep.mx
Hugo Jair Escalante
hugojair (AT) inaoep.mx
Calendario:
Primer examen: 7 de octubre
Presentación de avances de proyecto: 18 de
noviembre
Presentación final de proyectos: 2 de
diciembre
Láminas:
Sesión 1:
Introducción [PDF]
Sesión 2: Árboles de
Decisión [PDF]
Sesión 3: Reglas de Clasificación [PDF] y de Asociación [PDF]
Sesión 4: Clustering [PDF] y Aprendizaje basado en
instancias [PDF]
Sesión 5: Evaluación y sobreajuste [PDF]
Sesión 6: Aprendizaje semi-supervisado [PDF]
Sesión 7: Examen
Sesión 8: Aprendizaje Bayesiano [PDF]
Sesión 9: Redes Neuronales [PDF1] [PDF2]
Sesión 10: Máquinas de Soporte Vectorial (SVM) [PDF]
Sesión 11: Avance de proyecto
Sesión 12: Selección de atributos y PCA/LDA [PDF]
Sesión 13: Ensambles de clasificadores [PDF]
Sesión 14: Presentación de proyecto
Proyectos [PDF]
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, ...)
Referencias:
- T. Mitchell (1997) Machine Learning, McGraw--Hill.
- I.H. Witten, E. Frank (2005) Data Mining: practical machine
learning tools and techniques 2nd. Edition. Morgan Kaufmann
- J. Han, M. Kamber (2001) Data Mining: concepts and techniques,
Morgan Kaufmann.
- E. Alpaydin (2010) Introduction to Machine Learning, MIT Press
- C. Bishop (2006). Pattern Recognition and Machine Learning.
Springer
- P. Flach (2012). Machine Learning: The art and science of
algorithms that make sense of data, Cambridge University Press.
Ligas de interés: