Periodo académico 2024-1S
Actividad | Grupo | Periodos | Horarios | Aula | Profesor/Tutor |
---|
No existen datos de grupos de esta asignatura, en este plan de estudios.
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.
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.
• 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 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.