Main

Aprendizaje Computacional 2017

INSTITUTO NACIONAL DE ASTROFÍSICA, ÓPTICA Y ELECTRÓNICA

Maestría en Ciencias Computacionales


Aprendizaje Computacional I
Otoño 2017
Dr. Eduardo Morales Manzanares; emorales(at)inaoep.mx
Dr. Hugo Jair Escalante; hugojair(at)inaoep.mx
Horario: Lunes 9:00 a 12:00 hrs. Salón 8301


Avisos:

  • Proyectos actualizados (Septiembre 11)
  • Página en línea aquí (Septiembre 11)

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.)

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]

2017 versions:

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 2017


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

  • Aco Cuamani Jorge Luis
  • Allo Sarría Maidiel
  • Alquisiris Quecha Oswualdo
  • Benítez Jiménez Ricardo
  • Cruz Quiñones Darwin Ulises
  • Fis Fernández Carlos Alberto
  • Gómez Olvera Juan Josué
  • Guzman Vazquez Carlos Diego
  • Carmona Sánchez Nora Gabriela
  • López Rosas Dante
  • Madrid Pérez Jorge Gustavo
  • Maldonado Reyes Angel Espiridion
  • Morales Montiel Ignacio Irving
  • Pérez Costa Ernesto
  • Rill García Rodrigo
  • Serrano Pérez Jonathan
  • Serrano Sergio Arredondo
  • Palma Asunción Adilene

Proyectos

  • NAO. Juan Josué Gómez Olvera, Carlos Diego Guzmán Vázquez
  • Colibríes. Ricardo Benítez Jiménez, Sergio Arredondo Serrano
  • Adilene. Palma Asunción Adilene