Profesor: Francisco Gómez
Clase: Lunes (5:00 pm a 7:00 pm - 404 - 2016) y Miércoles (5:00 pm a 7:00 pm - 405 - 311)
Programa: Programa
Horario oficina: Martes 10:00 am a 11:00 am (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.
Modelos generativos. Modelos generativos de texto, Modelos generativos de Imagen y Audio.
¿Por qué funcionan las redes neuronales?. Generalización y sobreparametrización, geometría de datos y sesgos inductivos, optimización, regularización implícita y doble descenso.
Aspectos éticos del aprendizaje de máquina.
Estrategia de calificación
Problemas teóricos y prácticos (60 %), Proyecto Final (en grupos, reporte en Github + presentación) (40 %).