La sesión de presentación se llevará a cabo el lunes a la hora de clase por zoom en este liga https://cuaieed-unam.zoom.us/my/sergiohzlz
Aparte de mi correo (sergiohzlz en ciencias punto unam punto mx), también puedes escribirme a telegram: https://t.me/sergiohzlz
Horario
Vamos a usar de forma cotidiana el siguiente grupo de telegram: https://t.me/+fPxgaJczGUNlNDI7
Usaremos el classroom con código ymkewse
Grupo 7112, 50 lugares. 49 alumnos. Modalidad virtual
Profesor Sergio Hernández López lu mi 17:30 a 19
Ayudante Miguel Andrés Guevara Castro ma ju 19 a 20
Ayud. Lab. Julio César Misael Monroy González
El actual desarrollo tecnológico así como su popularización han permitido el uso de resultados en computación y matemáticas que en otros momentos de la historia eran sólo imaginados. Grandes cantidades de datos ahora pueden analizarse para buscar patrones de interés popular, esto se evidencia en el análisis de fenómenos biológicos, físicos y hasta sociológicos para los cuales ahora tenemos una gran cantidad de datos y que requiren explicaciones innovadoras y perspectivas variadas.
Pero tener grandes cantidades de datos sobre los que caracterizar algún subconjunto específico que cumplan características muy específicas previamente definidas puede ser una tarea muy demandante convertida en una práctica común y necesaria a partir del desarrollo tecnológico que hoy nos permiten guardar cantidades masivas de datos. Baste ver el desarrollo en bioinformática a partir de los 90s hasta la fecha en que las computadores personales y los medios de almacenamiento se han popularizado, o bien con la masificación de los dispositivos celulares.
En este contexto es que se presentan una materia como la detección de patrones y el aprendizaje automatizado que es un área de las ciencias computacionales reconocible dentro de las técnicas de la inteligencia artificial. Las técnicas comprendidas en la detección de patrones y el aprendizaje automatizado están conceptualizadas para poder hacer una extracción de información semánticamente relevante dentro de un conjunto extenso de datos.
Los algoritmos que se revisarán en esta clase están pensados para poder obtener información valiosa de esta gran cantidad de datos que hoy están a la mano. Se revisarán los algoritmos que se presentan a continuación y se revisarán los fundamentos técnicos de los mismos así como aplicaciones relevantes.
Introducción y bases matemáticas. Paradigma probabilista.
Paradigma y práctica común del aprendizaje automatizado. Taxonomía, algoritmos supervisados y métricas.
Algoritmos no supervisados y agrupamientos.
Reducción de dimensión
Boosting, algoritmos de ensamble y árboles de decisión
Paradigma neuronal.
Dentro de las tareas específicas que típicamente usan estos algoritmos son la regresión y predicción de valores, detección de grupos, clasificación de textos, la regresión multivaluada, reconocimiento de imágenes, etcétera. La clase tendrá una orientación práctica en el que se dejarán proyectos y se leerán artículos de revistas especializadas (históricos o nuevos). El lenguaje de programación será Python.
Trabajos en clase y tareas: 40%
Laboratorio: 30%
Proyecto final 30%
Hastie, T., Tibshirani, R., Friedman, J., & Franklin, J. (2005). The elements of statistical learning: data mining, inference and prediction. The Mathematical Intelligencer, 27(2), 83-85.
Bishop, C. M. (2006). Pattern recognition and machine learning. springer.