Objetivos
Introducir los conceptos e ideas fundamentales del aprendizaje de máquina. Analizar algoritmos y técnicas que son de utilidad para la minería y descubrimiento de conocimiento en grandes bases de datos. Presentar ejemplos de problemas prácticos, provenientes de diferentes campos de aplicación en los que las técnicas expuestas ofrecen buenos resultados.
Unidades Temáticas
1. Introducción al Aprendizaje de Máquina
1.1. Inteligencia Artificial
1.2. Agentes reactivos
1.3. Sistemas expertos
1.4. Agentes con capacidades de aprendizaje y generalización
2. Algoritmos de Aprendizaje de Máquina para la Minería de Datos
2.1. Clasificación y Clustering
2.1.1. Vectores de cuantización y métricas de similaridad.
2.1.2. Métodos Particionales
· K-medias
2.1.3. Métodos Jerárquicos
· Ward
2.2. Árboles de Decisión
2.3. Redes Neuronales Artificiales
2.3.1. Supervisadas
· Perceptrones
2.3.2. No Supervisadas
· Mapas Auto-organizados
2.4. Aprendizaje a partir de información incierta.
· Redes Bayesianas
3. Aplicaciones de minería de datos y descubrimiento de conocimiento
3.1. Bibliometría y Cienciometría
3.2. Análisis de trayectorias escolares
3.3. Diagnóstico de Cáncer
3.4. Análisis de experimentos de Física Nuclear
Bibliografía
Tom M. Mitchell. Machine Learning. McGraw-Hill. 1ra. Edición 1997.
Nils. J. Nilsson. Artificial Intelligence: A new synthesis. Morgan Kaufmann Publisers, Inc. San Francisco California. 1998.
Kohonen T., Self-Organizing Maps, 3ra Edición, Springer-Verlag, 2001.