Datos generales

• Plan de estudios: 0492 - MAESTRÍA EN MODELADO Y SIMULACIÓN
• Créditos: 3.0

Grupos

Tabla información sobre los grupos de la asignatura

Actividad	Grupo	Periodos	Horarios	Aula	Profesor/Tutor

No existen datos de grupos de esta asignatura, en este plan de estudios.

Contenidos

PROGRAMA DE LA ASIGNATURA

Presentación

Las Redes Neuronales Artificiales son algoritmos que estiman ciertos parámetros de forma automática cuando se les da un objetivo, algunos datos de entrenamiento y abundante poder de cómputo. Recientemente, estos algoritmos han traído consigo una amplia gama de innovaciones de futuro, como automóviles sin conductor, reconocimiento facial y generadores de habla similares a los humanos.
Este curso le ofrece una introducción a las Redes neuronales artificiales profundas (es decir, "Aprendizaje profundo"). Con un enfoque tanto en la teoría como en la práctica, cubrimos modelos para diversas aplicaciones, cómo se entrenan y prueban, y cómo se pueden implementar en tiempo real.

Objetivo de Aprendizaje

El proceso formativo del estudiante durante este espacio buscará desarrollar las siguientes competencias genéricas y específicas.
COMPETENCIAS GENÉRICAS
• Competencia para enfrentar problemas prácticos usando conceptos elaborados.

Realizaciones:

 El uso de lenguaje matemático propio de la estadística y el lenguaje programación en la solución de problemas prácticos
 La interpretación de resultados como insumo para la toma de decisiones.
 La apropiación de las diferentes técnicas estadísticas multidimensionales y de aprendizaje de máquina abordadas en el curso y correcta aplicación en una determinada situación práctica.

• Entablar una comunicación oral y escrita a nivel profesional Realizaciones:
 Los informes entregados tienen una estructura coherente, siguen normas de estilo y normas APA o ICONTEC.
 Los resultados presentados son sustentados de manera clara, argumentativa y en lenguaje natural.
 Los trabajos escritos y exposiciones orales evidencian el dominio de los contenidos temáticos.
COMPETENCIAS ESPECÍFICAS

• Competencia para aplicar conceptos y métodos matemáticos, estadísticos y computacionales, para extraer conocimiento de grandes volúmenes de datos.
Realizaciones

 Se aplica adecuadamente las diferentes técnicas estadísticas multivariadas y de aprendizaje de máquina abordadas en el curso en el análisis de datos.
 Se usa de manera adecuada el software estadístico y lenguaje de programación en Python.

Contenidos Temáticos

• Fundamentos matemáticos de las RNA
• Perceptrón y aprendizaje automático
• Anatomía de las RNA
• Fundamentos del aprendizaje de máquina.
• Pre-procesamiento de datos e ingeniería de características
• Regularización y sobre ajuste.
• Aprendizaje profundo para imágenes: Redes convolucionales I
• Aprendizaje profundo para datos secuenciales: Redes neuronales recurrentes I
• Mapas auto organizados de Kohonen
• Auto-codificadores

Bibliografía Básica Obligatoria

Bibliografía Obligatoria
• Deep Learning by Ian Goodfellow (2016): http://www.deeplearningbook.org/front-matter.pdf
• Neural Networks and Deep Learning by Michael Nielsen (2019): http://neuralnetworksanddeeplearning.com
• Deep Learning: Methods and Applications by Li Deng and Dong Yu (2014).
• Neural Networks and Learning Machines - 3rd Edition (2008) by Simon Haykin.

Bibliografía Complementaria
• Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. " O'Reilly Media, Inc.".
• Sarkar, D., Bali, R., & Sharma, T. (2018). Practical Machine Learning with Python. A Problem-Solver's Guide to Building Real-World Intelligent Systems, New York: Springer-Verlag.