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

El aprendizaje profundo es un grupo de nuevas y emocionantes tecnologías para redes neuronales. A través de una combinación de técnicas de entrenamiento avanzadas y componentes arquitectónicos de redes neuronales, ahora es posible crear redes neuronales que pueden manejar datos tabulares, imágenes, texto y audio como entrada y salida. El aprendizaje profundo permite que una red neuronal aprenda jerarquías de información de una manera similar a la función del cerebro humano. Este curso introducirá al estudiante a las estructuras de redes neuronales clásicas, las redes neuronales de convolución (CNN), la memoria a corto y largo plazo (LSTM), las redes neuronales recurrentes cerradas (GRU) y las redes adversas generales (GAN).

Objetivo de Aprendizaje

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.
• Competencia para aplicar conceptos y técnicas estadísticas y computacionales para apoyar la toma de decisiones en las organizaciones.

Contenidos Temáticos

Contenido:
Regularización y sobre ajuste.
Aprendizaje profundo para imágenes: Redes convolucionales I
Aprendizaje profundo para datos secuenciales: Redes recurrentes I
LSTM
Redes generativas GANS
Redes bayesianas
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.