Main

Aprendizaje Computacional

INSTITUTO NACIONAL DE ASTROFÍSICA, ÓPTICA Y ELECTRÓNICA

Maestría en Ciencias Computacionales


Aprendizaje Computacional I
Primavera 2015
Dr. Eduardo Morales Manzanares; emorales(at)inaoep.mx
Dr. Hugo Jair Escalante; hugojair(at)inaoep.mx
Horario: Martes y Jueves de 10:30 a 12:00 hrs. Salón 8301


Avisos:

  • Proyectos y diapositivas actualizadas (Agosto 10)
  • Página en línea (Agosto 31)

Introducción.

La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas de investigación de la Inteligencia Artificial desde sus inicios. En los últimos años se ha visto un crecimiento acelerado en la capacidad de generación y almacenamiento de información, debido a la creciente automatización de procesos y los avances en las capacidades de almacenamiento de información. En gran parte debido a esto, se han desarrollado una gran cantidad de herramientas y técnicas que tienen que ver con el análisis de información. En este aspecto, el desarrollo en el área de aprendizaje ha sido fundamental. El área de aprendizaje en general trata de construir programas que mejoren su desempeño automáticamente con la experiencia.


Objetivo.

Que el estudiante conozca y ponga en práctica los conceptos fundamentales de aprendizaje computacional y reconocimiento de patrones. Igualmente, se espera que el estudiante conozca detalladamente las principales técnicas.


Temario del curso (con material)

A continuación se listan los temas principales que serán abordados durante el curso. (No necesariamente se verán en el orden siguiente.)

Overview visión y aprendizaje. [Diapositivas]

1. Introducción [Diapositivas]

2. Árboles de decisión [Diapositivas]

3. Reglas de clasificación [Diapositivas]

4. Reglas de asociación [Diapositivas]

5. Clustering (k-means, mezcla de Gausianas, jerárquicos) [Diapositivas]

6. Clasificadores basados en distancia (kNN, y otros) [Diapositivas]

7. Evaluación/Validación/Overfitting [Diapositivas]

8. Métodos Bayesianos [Diapositivas]

9. Redes neuronales [Diapositivas]

10. SVM [Diapositivas]

11. PCA/LDA [Diapositivas]

12. Selección de atributos [Diapositivas]

13. Preámbulo de otras técnicas qué se estudiarán en los cursos posteriores


Metodología de evaluación.

Se aplicarán dos exámenes durante el curso con el objetivo de evaluar los conocimientos adquiridos por los estudiantes durante el curso. Igualmente, los estudiantes desarrollarán un proyecto de investigación donde aplicarán los conocimientos adquiridos. Asistencias y participaciones se tomarán también en cuenta para la evaluación final.


Proyectos

La lista de proyectos propuestos se puede descargar:

Proyectos 2015


Material de lectura

Bibliografía

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

T. Hastie, R. Tibshirani, J. Friedman (2001). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer-Verlag.

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.


Estudiantes:

Inscritos

  • Alvarez Villalvazo Fernando
  • Arroyo Mendoza Daniel
  • Burgos Madrigal Andrea
  • Camargo Vega Omar Eduardo
  • Díaz Nava Josué Manuel
  • Flores Aparicio Aldo
  • García Dinorín Adrián
  • García Salinas Jesús Salvador
  • Guzmán Estrada Domingo
  • Hernández Joaquín Ángel
  • Hernández Munive Roberto
  • Marcos Solis Fabiola
  • Morales Vargas Eduardo
  • Pedraza Cruz Francisco Iván
  • Pérez Sánchez Oscar
  • Segura Ballesteros Alexander Guillermo
  • Villegas Otero Alejandro
  • Zamorano Morales Sergio Omar
  • Zecua Corichi Eduardo

Oyentes

  • Walther Carballo Hernández