Matemáticas Aplicadas (plan 2017) 2021-2
Computación Científica, Seminario de Análisis Numérico
Grupo 6036 5 alumnos.
Inteligencia Artificial en Ciencia de Datos
Horario Tentativo: Lu-Ma 7:30 am - 9:00 am
Horas adicionales para ayuda de clase serán definidas con el Dr. Rodolfo Blanco
Modalidad en Línea: Enviar solicitud aesteban@im.unam.mx
Evaluación: Promedio de proyectos, presentaciones, y tareas.
Requisitos: Algebra Lineal, Análisis Numérico
Objetivo general: Entender las técnicas y algoritmos en el aprendizaje automático (“Machine Learning”) como la clasificación e identificación de sistemas por métodos de caja negra. Ser capaz de analizar gran cantidad de datos (“big data”) con diferentes técnicas de aprendizaje artificial.
TEMARIO
Introducción
-
Conceptos de inteligencia (AI) y la necesidad de AI en la sociedad.
-
Tipos de AI.
-
Revisión de la teoría de la probabilidad.
-
Introducción a los diferentes tipos de aprendizaje.
-
Tratamiento de datos.
-
Examinar los tipos de problemas que se pueden resolver con AI.
-
Introducción a Python
Aprendizaje Supervisado
-
Lineal, múltiple, logística, y polinómica.
-
Selección de modelos y regularización.
-
Modelos mal planteados y ajuste excesivo.
-
Criterios estadísticos para seleccionar modelos.
-
Tipos de regularización y sus aplicaciones.
-
Clasificación de dos y múltiples clases.
-
Análisis discriminante.
-
Vecino más cercano.
-
Clasificadores Bayesianos.
-
Árboles de decisión.
-
Bosques aleatorios.
-
Máquinas de vectores soporte.
-
Clases no linealmente separables.
-
Hiperplano optimo y máximo.
-
Historia de los Kernels.
-
El truco del Kernel y sus ventajas
-
Aplicación a problemas prácticos.
Redes Neuronales
-
La biología de neuronas y redes neuronales.
-
Redes neuronales artificiales.
-
Reglas básicas de redes neuronales artificiales y organizaciones.
-
Funciones de activación.
-
Perceptrón.
-
Arquitectura de redes neuronales.
-
Redes estáticas.
-
Redes multicapas.
-
Redes de retroalimentación.
-
Redes recurrentes.
-
Algoritmos de aprendizaje.
-
Convergencia y problemas de gradiente de desvanecimiento.
-
Redes profundas (“Deep Learning”).
-
Conceptos y definiciones de redes profundas.
-
Redes Neuronales Convolucionales.
-
Aprendizaje distribuido de redes neuronales.
-
Aplicaciones de librerías en Python (Tensorflow y Keras) para predicción de una serie temporal y clasificación