Ciencias de la Computación (plan 2013) 2024-2

Optativas, Reconocimiento de Patrones y Aprendizaje Automatizado

Aviso

La sesión de presentación se llevará a cabo el primer día de clases (martes 30) por zoom en este liga https://cuaieed-unam.zoom.us/my/sergiohzlz

PRESENTACIÓN

Aparte de mi correo (sergiohzlz en ciencias punto unam punto mx), también puedes escribirme a telegram: https://t.me/sergiohzlz

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.

Calificación

Trabajos en clase y tareas: 40%

Laboratorio: 30%

Proyecto final 30%

Bibliografía

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