• Introducción
• Objetivo
• Estructura del Curso:
  • Horas de Clase
  • Sitio web de la clase
  • Horas de Oficina
• Evaluación
• Absentismo
• Temario
• Slides
• Tareas
• Libros de Texto
• Material Especial requerido para la clase
• Políticas

Introduccion

En esta clase estudiaremos las diferentes técnicas de Machine Learning y sus apliaciones. Se veran tecnicas básicas y el estado del arte, asi como técnicas para evaluar cada algoritmo con diferentes sets de datos.

Objetivo

Los estudiantes serán capaces de implementar y validar diferentes técnicas de Machine Learning en diferentes sets de datos relacionados a distintos campos. los estudiantes aprenderan la diferencia entre aprendizaje sueprvisado y no supervisado.

Estructura del Curso

Horas de clase

Esta clase será Martes de 7:00 p.m a 10:00 p.m.

Sitio web

Clases, tareas, temario y políticas de calificaciones se encuentran disponibles en el sitio web: https://leonpalafox.github.io/claseml/

Horas de oficina

Estaré disponible antes de la clase en mi oficina (Ingenieria 24), o haciendo una cita al correo electornico lpalafox@up.edu.mx.

Evaluacion

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.
• El restante 40% será distribuido de la siguiente forma:
  • 1 Examen parcial y un examen final.
  • Dos tareas.
  • Participación en clase

Absentismo

Es obligatorio atender a todas las sesiones.

En caso de alguna situación extraordinaria se deberá platicarlo con el profesor.

Temario

1. Introducción
   1. Qué es Machine Learning?
   2. Aplicaciones Modernas de Machine Learning.
   3. Introducción a Python-Pandas.
2. Bases teóricas
   1. Álgebra de Matrices
   2. Distribuciones probabilísticas
3. Aprendizaje supervisado.
   1. Regresion Lineal
   2. Clasificadores
      1. Regresión Logística
      2. Maquinas de Soporte Vectorial
      3. Redes Neuronales Artificiales
      4. Deep Learning
      5. Redes Neuronales Convolucionales
         1. Clasificador usando Tensorflow
         2. CNN usando Tensorflow
4. Métodos de Validación
   1. Validación Curzada
   2. Analisis de Bias-Variance
   3. ROC y AUC
5. Aprendizaje no supervisado
   1. Clustering
      1. K-Means
      2. Aplicaciones
   2. Técnicas de reducción de dimensionalidad
      1. Análisis de componentes principales
      2. Análisis de componentes independientes
      3. T-SNE
6. Examen Final y Entrega de Proyectos

Slides

• Clase 1 - Intro, Historia
• Clase 2 - Regresión/Proba
• Clase 3 - Regresión/Python
• Clase 4 - SVM/Python
• Clase 5 - Modelos/Python
• Clase 6 - Modelos/Python

Datos

https://raw.githubusercontent.com/leonpalafox/mlclase/master/Unsupervised/data_clustering/uber-raw-data-jul14.csv

Tareas

• Tarea 1: Buscar una noticia relacionada a AI, y escirbir que tipo de aprendizaje usa.

Libros de texto

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. (http://www.dcs.gla.ac.uk/~srogers/firstcourseml/)
• James, Gareth, et al. An introduction to statistical learning. New York: Springer, 2013. (http://www-bcf.usc.edu/~gareth/ISL/)
• Petersen, Kaare Brandt, and Michael Syskind Pedersen. The matrix cookbook. Technical University of Denmark 7 (2008): 15. (https://www.math.uwaterloo.ca/~hwolkowi/matrixcookbook.pdf)

Material especial para la clase

Se require una computadora con Python instalado.

Politicas

Se pueden utilizar teléfonos y bipers, siempre y cuando no molestén al resto del salón.