Matemáticas del aprendizaje de máquinas

Profesor: Francisco Gómez

Clase: Lunes (5:00 pm a 7:00 pm) y Miércoles (5:00 pm a 7:00 pm) (564 - 203)

Programa: Programa

Horario oficina: Martes 11:00 am a 12:15 pm (405-336)

email: fagomezj@gmail.com,fagomezj@unal.edu.co

Libros de texto y material guía: 

Burkov, A. (2019). The hundred-page machine learning. 

Abu-Mostafa, Y. S., Magdon-Ismail, M., & Lin, H. T. (2012). Learning from data. 

Understanding Deep Learning. by Simon J.D. Prince Published by MIT Press (2023).

Descripción:

Este curso introduce algunos resultados fundamentales en aprendizaje de máquina y deep. Igualmente, busca abordar algunas de las preguntas emergentes más importantes en aprendizaje profundo. El curso se enfoca en los fundamentos teóricos que garantizan el aprendizaje de una función a partir de un conjunto finito de muestras. Así como en algunos problemas recientes en representación, generalización y optimización recientemente propuestos para el área de aprendizaje profundo. 

Programación

• • Introducción al aprendizaje de máquina. Introducción. Aprendizaje supervisado. Agrupamiento. Redes superficiales.

• • Redes neuronales profundas I. Funciones de pérdida. Entrenamiento de modelos. Gradientes e inicialización. Medidas de desempeño. Regularización.

• • Redes neuronales profundas II. Redes convolucionales. Redes residuales. Transformers. Redes neuronales para grafos. 

• • Aprendizaje no supervisado. Modelos generativos y Aprendizaje profundo.

• • ¿Por qué funcionan las redes neuronales?

• • Aspectos éticos del aprendizaje de máquina.

Estrategia de calificación

Problemas teóricos y prácticos (60 %), Proyecto Final (en grupos, reporte en Github + presentación) (40 %).