Ciencias de la Computación (plan 2013) 2024-2

Optativas, Reconocimiento de Patrones y Aprendizaje Automatizado

Resumen del curso

El reconocimiento de patrones y el aprendizaje automático tienen aplicaciones significativas en diversas industrias, incluyendo la salud, finanzas, tecnología, marketing y entretenimiento. Estas tecnologías facilitan la resolución de problemas a través del análisis exhaustivo de datos, permitiendo la detección de patrones y tendencias, y la toma de decisiones fundamentadas basadas en datos. Además, el conocimiento en estas áreas está impulsando avances significativos en innovación tecnológica, tales como el desarrollo de vehículos autónomos, sistemas de recomendación personalizados y diagnósticos médicos automatizados. Actualmente, se observa una demanda creciente de profesionales especializados en aprendizaje automático y reconocimiento de patrones, impulsada por la creciente dependencia de empresas y organizaciones en el análisis de datos y en la implementación de soluciones basadas en inteligencia artificial.

En este curso, se realizará un análisis exhaustivo de la teoría subyacente a varios algoritmos del aprendizaje automático, así como su aplicación en estudios de casos prácticos. Además, se examinará la implementación de estos algoritmos, complementada con la revisión de artículos relevantes publicados en revistas especializadas. En lo que respecta a los lenguajes de programación, nos centraremos principalmente en el uso de Python dada su amplia adopción y relevancia en el campo del aprendizaje automático.

Temario

Se seguirá el temario y la bibliografía oficial, los cuales están disponibles para su consulta en el siguiente enlace: https://www.fciencias.unam.mx/sites/default/files/temario/773.pdf

Además, la sección introductoria del curso incluirá una revisión concisa de herramientas matemáticas esenciales, así como de conceptos fundamentales de programación en Python. Esta adición tiene como objetivo proporcionar una base sólida y coherente para los temas avanzados que serán abordados posteriormente en el curso.

1. Introducción y repaso de fundamentos de matemáticas y programación.

2. Aprendizaje supervisado y teoría del aprendizaje

3. Teoría de decisiones bayesiana

4. Métodos paramétricos

5. Clasificadores lineales

6. Clasificadores no-lineales

7. Agrupamiento (Clustering) y aprendizaje no-supervisado

8. Aplicaciones

Evaluación

• Exámenes Parciales: 20%

• Trabajos y Tareas: 30%

• Laboratorio: 30%

• Proyecto final 20%

Bibliografía

• Alpaydin, E. (2020). Introduction to Machine Learning (4th ed.). The MIT Press.

• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

• Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The elements of statistical learning: Data Mining, Inference, and Prediction. Springer.

• Mitchell, T. M. (1997). Machine learning. McGraw-Hill.

• Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.