OBJETIVO

El objetivo de este módulo es introducir a los estudiantes al aprendizaje automático. Los estudiantes conocerán las bases de la optimización estocástica y aprenderán técnicas para ser aplicadas a problemas prácticos. A lo largo del curso, desarrollarán habilidades para utilizar herramientas de software que les permitan simular procesos estocásticos y optimizar resultados. Al finalizar el módulo, los estudiantes serán capaces de interpretar y analizar los resultados de sus simulaciones, así como validar la eficacia de las soluciones obtenidas mediante técnicas de optimización estocástica.

METODOLOGÍA

Este módulo se desarrollará mediante una combinación de clases teóricas y prácticas, enfocándose en la aplicación de la aleatoriedad en la optimización estocástica dentro del contexto del aprendizaje automático. Se explicarán los principios fundamentales de la optimización estocástica y se utilizará Python para la implementación de las técnicas propuestas. Los estudiantes realizarán ejercicios prácticos en los que aplicarán técnicas de simulación y optimización, desarrollando modelos que reflejen problemas reales en el ámbito del aprendizaje automático. A través de estas actividades, interpretarán y analizarán los resultados obtenidos, validando su eficacia y eficiencia.

CONTENIDO TEMÁTICO

• Aleatoriedad y pseudoaleatoriedad.

• Optimización estocástica.

• Reconocimiento de patrones y clasificación de datos.

• Aprendizaje supervisado y no supervisado.

• Métricas clásicas en aprendizaje automático.

BIBLIOGRAFÍA

• Eiben, A. E., & Smith, J. E. (2015). Introduction to evolutionary computing. Springer.

• Lee, J. (2004). A first course in combinatorial optimization (Vol. 36). Cambridge University Press.

• Robert, C. & Casella, G (2004). Monte Carlo Statistical Methods. Springer.