Aprendizagem de Máquina

Vista previa del material en texto

UNIVERSIDAD NACIONAL DEL SUR 
BAHÍA BLANCA --- ARGENTINA 
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y DE COMPUTADORAS 
PROGRAMA DE: CÓDIGO: 2942 
TOPICOS ESPECIALES A 
ÁREA N
O
: VIII 
TEMA: “APRENDIZAJE DE MÁQUINA” 
 
Vigencia Años 2020 
 
 
 
1 
4 
H O R A S D E C L A S E Tipificación 
CSU 
497/2002 
P R O F E S O R R E S P O N S A B L E 
T E Ó R I C A S P R Á C T I C A S 
DR. CLAUDIO DELRIEUX Por semana Por cuatrimestre Por semana Por cuatrimestre 
2 A 
3 48 3 48 
 
C A R R E R A S Y P L A N E S 
CARRERA PLAN CARÁCTER AÑO CUATRIMESTRE 
INGENIERÍA ELECTRICISTA 2017 OPTATIVA - - 
 
 
H O R A S B L O Q U E C U R R I C U L A R H O R A S F O R M A C I Ó N P R Á C T I C A 
Ciencias Básicas 24 DETALLE CIENCIAS BÁSICAS Formación Experimental – Laboratorio 12 
Tecnologías Básicas 24 Matemática - Formación Experimental - Trabajo de campo 12 
Tecnologías Aplicadas 48 Física - Resolución de problemas abiertos de ingeniería 12 
Complementarias - Química - Actividades de proyecto y diseño 12 
 Fundamentos de informática 24 Práctica Profesional Supervisada - 
 
A S I G N A T U R A S C O R R E L A T I V A S P R E C E D E N T E S 
P A R A C U R S A R P A R A A P R O B A R 
25 MATERIAS OBLIGATRORIAS APROBADAS.- 25 MATERIAS OBLIGATORIAS APROBADAS.- 
DESCRIPCIÓN / OBJETIVOS 
La reciente evolución La reciente consolidación de las tecnologías y metodologías emergentes 
asociadas al aprendizaje de máquina están permitiendo el surgimiento de un amplio conjunto de 
aplicaciones e usos innovadores, tanto en el contexto científico-productivo como en las 
organizaciones gubernamentales y no gubernamentales. El presente curso propone familiarizar al 
alumno a los aspectos teóricos y tecnológicos fundamentales asociados al aprendizaje de máquina, 
así como temas relevantes asociados como la gestión y análisis de grandes datos. Se propone 
además el análisis de casos de estudio, y la realización de ejemplos de experiencias del ciclo 
completo del desarrollo de modelos de Ciencia de Datos. 
COMPETENCIAS A SATISFACER POR LOS ESTUDIANTES AL INICIO DEL CURSO 
Al inicio del curso se esperan competencias básicas de estudiantes en condiciones de realizar una 
materia optativa, como la capacidad para la integración con pares, trabajo responsable en equipo, y 
habilidades para la presentación de trabajos en forma oral y/o escrita. Desde el punto de vista técnico 
las competencias incluyen conocimientos intermedios de programación y de métodos numéricos. 
COMPETENCIAS A SATISFACER POR LOS ESTUDIANTES AL FINAL DEL CURSO 
En este curso se propone brindar al alumno la formación y experiencia en la gestión completa del 
ciclo de vida de una aplicación que requiera aprendizaje de máquina, así como el conocimiento de 
las plataformas de desarrollo existentes, la integración con desarrollo en la nube, redes sociales, etc. 
Al finalizar el curso los estudiantes serán capaces de implementar, integrar, o generar soluciones 
UNIVERSIDAD NACIONAL DEL SUR 
BAHÍA BLANCA --- ARGENTINA 
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y DE COMPUTADORAS 
PROGRAMA DE: CÓDIGO: 2942 
TOPICOS ESPECIALES A 
ÁREA N
O
: VIII 
TEMA: “APRENDIZAJE DE MÁQUINA” 
 
Vigencia Años 2020 
 
 
 
2 
4 
avanzadas en diversos campos de la ingeniería con la utilización de dichos sistemas y su integración 
con sistemas ya existentes. Reconocerán, a la vez, los fundamentos, las ventajas y prestaciones de 
las diferentes metodologías y modelos de aprendizaje de máquina, las plataformas y bibliotecas de 
software existentes, y la integración con diversas fuentes de información. Se capacitarán para el 
aprovechamiento de las herramientas de código abierto disponibles y la formación continua para 
poder asimilar los permanentes cambios tecnológicos asociados. Estos objetivos se cumplirán en 
forma incremental por medio de trabajos prácticos y un trabajo final integrador en los que se 
desarrollarán y resolverán problemas de aprendizaje de máquina con datasets reales, aplicando las 
técnicas abarcadas en el temario y su aplicación a la resolución de problemas concretos. 
PROGRAMA SINTÉTICO 
I. Introducción, motivaciones y conceptos básicos. 
II. Análisis de datos y analíticos. 
III. Espacios de atributos y reducción de dimensionalidad. 
IV. Clasificación. 
V. Clustering. 
VI. Regresión. 
VII. Otros modelos de aprendizaje. 
VIII. Analíticos visuales. 
PROGRAMA ANALÍTICO 
1. Introducción, motivaciones y conceptos básicos. Ingeniería de datos y modelos de gestión. Tipos y 
fuentes de datos. Fuentes de datos. Tecnologías de gestión de datos. Data wrangling y calidad 
de datos. Politicas de gestión. 
2. Analisis de datos y analíticos. Minería de datos, aprendizaje de máquina y analíticos. Análisis de 
datos, exploración y confirmación. Modelos, productos de datos y analíticos. Atributos, valores y 
tipos de predictivos. Espacio de atributos. Modelos estadísticos. Estimadores multivariados, 
correlación. 
3. Espacios de atributos. Distancia Euclídea, estandarizada, y de Mahalanobis. Normalización. 
Reducción de dimensionalidad. Componentes principales. Modelos no lineales. T-SNE. U-MAP. 
4. Clasificación. K-NN. Clasificador Bayesiano. Regresión logística. Árboles de decisión. Random 
Forests. Sistemas basados en reglas. Máquinas de Vector Soporte. Perceptrones. Métricas de 
calidad de modelos de clasificación. 
5. Clustering. Modelos basados en simililtud. K-medias. Algoritmos aglomerativos y divisivos. 
Detección de atípicos. Evaluación de la calidad. Distorsión. 
6. Regresión. Modelos univariados y multivariados. Modelos lineales y no lineales. Regularización. 
Evaluación de la calidad, error cuadrático medio, coeficiente de determinación. 
7. Otros modelos de aprendizaje. Lenguaje natural. Aprendizaje de estructuras. Series de tiempo. 
Redes sociales. 
8. Visualización interactiva de información. El sistema perceptual y cognitivo humano. Atributos 
visuales y representación de información. Modelos de representación (datos tabulares, 
espaciales, grafos). Diseño de vistas. Primitivas de diseño. Vistas accionables. Vistas múltiples 
coordinadas, filtrado, agregación. Vistas navegables, selección de items. 
UNIVERSIDAD NACIONAL DEL SUR 
BAHÍA BLANCA --- ARGENTINA 
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y DE COMPUTADORAS 
PROGRAMA DE: CÓDIGO: 2942 
TOPICOS ESPECIALES A 
ÁREA N
O
: VIII 
TEMA: “APRENDIZAJE DE MÁQUINA” 
 
Vigencia Años 2020 
 
 
 
3 
4 
BIBLIOGRAFÍA 
[1] Casella G, Berger RL. Statistical inference. Second edition. Delhi. Cengage Learning 2017. 
[2] Hastie T, Tibshirani R, Friedman JH. The elements of statistical learning: data mining, inference, 
and prediction. 2nd ed. New York. Springer 2009. 
[3] Murphy KP. Machine learning: a probabilistic perspective. Cambridge, Mass. MIT Press 2012. 
[4] Barber D. Bayesian reasoning and machine learning. Cambridge. Cambridge University Press 
2012. 
[5] Hastie T, Tibshirani R, Friedman JH. The elements of statistical learning: data mining, inference, 
and prediction  : with 200 full-color illustrations. New York. Springer 2001. 
[6] Goodfellow I, Bengio Y, Courville A. Deep learning. Cambridge, Massachusetts. The MIT Press 
2016. 
[7] Raschka S. Python machine learning: unlock deeper insights into machine learning with this vital 
guide to cutting-edge predictive analytics. Birmingham. Packt Publishing 2015. 
[8] McKinney W. Python for data analysis. Farnham. O’Reilly 2013. 
[9] Harrington P. Machine learning in action. Shelter Island, N.Y.. Manning Publications 2012. 
[10] Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython 
(2nd ed.), O’Reilly 2018. 
[11] Big Data Fundamentals: Concepts, Drivers & Techniques. Thomas Erl, Wajid Khattak, Paul 
Buhler. Prentice Hall, 2012. 
[12] Mining of Massive Datasets. Jure Leskovek,Anand Rajaraman and Jeffrey Ullman. v2.1, 
Cambridge University Press. 2014. 
[13] Conway, Drew; White, John Myles (February 2012). Machine Learning for Hackers. O'Reilly 
Media. ISBN 978-1449303716. 
[14] Russel, Matthew A. (October 2013). Mining the Social Web, 2nd Edition. O'Reilly Media. ISBN 
978-1449367619. 
[15] Ben Bederson and Ben Shneiderman (2003). The Craft of Information Visualization: Readings 
and Reflections. Morgan Kaufmann. 
[16] Riccardo Mazza (2009). Introduction to Information Visualization, Springer. 
[17] Colin Ware (2000). Information Visualization: Perception for design. San Francisco, CA: Morgan 
Kaufmann. 
[18] Doing Data Science. Rachel Schutt, Cathy O´Neil. O´Reilly Editors, 2014. ISBN: 978-1-449-
35865-5 
 
METODOLOGIAS DE ENSEÑANZA 
 
El curso consiste en clases teóricas (inicialmente a través de encuentros por plataformas virtuales), 
donde se presentan los fundamentos de cada uno de los temas propuestos y se introducen los 
elementos para la realización de los trabajos prácticos. Dependiendo del número de alumnos, la 
realización de los mismos se realizaran en comisiones de no más de dos alumnos. Estas comisiones 
trabajarán individualmente, supervisados constantemente por la cátedra a través del uso de 
plataformas colaborativas como GitHub y Colab. Durante el cursado se realizaran experiencias 
prácticas del uso de aprendizaje de máquina con datasets reales obtenidos en plataformas como 
Kaggle o VAST, proponiendo problemas de complejidad creciente y requiriendo los diversos modos 
de preparación y análisis de datos vistos en la materia. En estas experiencias se aplicaran los 
UNIVERSIDAD NACIONAL DEL SUR 
BAHÍA BLANCA --- ARGENTINA 
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y DE COMPUTADORAS 
PROGRAMA DE: CÓDIGO: 2942 
TOPICOS ESPECIALES A 
ÁREA N
O
: VIII 
TEMA: “APRENDIZAJE DE MÁQUINA” 
 
Vigencia Años 2020 
 
 
 
4 
4 
conocimientos teóricos para resolver problemas puntuales usando y/o combinando modelos a fin de 
conocer la temática de la materia en forma práctica. 
MECANISMOS DE EVALUACIÓN 
 
El cursado admite la posibilidad de promoción. Para cursar la materia es imprescindible la 
presentación y aprobación del 80% de los trabajos prácticos y cumplir con la el 100% de la entrega 
de los mismos. La aprobación final será mediante el desarrollo de un trabajo final. Estas actividades 
se podrán desarrollar individualmente o en comisiones de dos personas. La nota final será un 
promedio ponderado entre la nota de los prácticos y el trabajo final. Toda propiedad intelectual 
utilizada (código, métodos, etc.) debe contar con las referencias adecuadas. Se tiene en cuenta para 
la calificación (a) presentación general, (b) prolijidad, (c) claridad, (d) redacción y corrección, (e) citas 
en la redacción, (f) calidad de código fuente (comentarios, indentación, uso de variables y estructuras 
de programación, etc.), (g) interpretación de resultados, (h) conclusiones y ensayos realizados para 
sopórtalas. Es responsabilidad de las comisiones la depuración del código fuente. 
 
 
 
VIGENCIA DE ESTE PROGRAMA 
AÑO 
PROFESOR RESPONSABLE 
(firma aclarada) 
AÑO 
PROFESOR RESPONSABLE 
(firma aclarada) 
2020 
 
 
V I S A D O 
COORDINADOR AREA SECRETARIO ACADÉMICO DIRECTOR DECANO 
 
 
 
 
 
 
 
 
Fecha: Fecha: Fecha: