Profesor | Huziel Enoc Sauceda Félix |
Ayudante | Noé Oswaldo Rodríguez Rodríguez |
Temas Selectos de Física Computacional I
Machine Learning
Este curso proporcionará conocimientos fundamentales sobre machine learning (ML) y así como algunas habilidades prácticas de que se necesitan para desarrollar actividades de investigación o para seguir una carrera en la industria.
El curso está dirigido a estudiantes interesados en obtener una formación solida en ML y su uso en las ciencias químicas y físicas. Por un lado, se obtendrán conocimientos introductorios que lo ayudarán a comprender conceptos fundamentales y técnicas avanzadas del ML, como redes neuronales y métodos de kernels.
Por otro lado, se dará una visión física y matemática de como es que muchas de las herramientas de ML se relacionan directamente con objetos bien conocidos para los físicos, tales como lo son las funciones de Green, simetrías, y ecuaciones de movimiento.
Prerequisitos: Los estudiantes interesados en este curso deberán contar con una noción básica de programación en Python.
Durante las últimas semanas del curso, los estudiantes realizarán un proyecto en el cual se pondrán en práctica las técnicas aprendidas.
El curso consta de ~14 clases de 3 hrs durante el semestre.
El horario tentativo es MARTES de 15:00 -> 18:00.
Evaluación: Tareas 60%, proyecto final 30%, participación 10%
Temario
1. Introducción a Machine Learning
2. Redes Neuronales
3. Métodos de kernels
4. Tópicos avanzados de Machine Learning
Bibliografía:
- “Pattern Recognition and Machine Learning”, Christopher M. Bishop
- “Pattern Classification”, Duda et al.
- “The Elements of Statistical Learning: Data Mining, Inference, and Prediction”, Trevor Hastie
- Literatura diversa, principalmente artículos de investigación y Reviews de los temas a discutir.