Aprendizaje Automático / II-2025
Anuncios
- 3 Dec 2025: Nueva clase disponible: 03 - Regresión Logística [Clase 1 - Regresión Logística (Formulación de f_β(x) y de L(β))] [Clase 1 - Regresión Logística (Formulación de f_β(x) y de L(β))]
- 29 Nov 2025: Nueva clase disponible: 02 - Regresión Lineal - Laboratorio [Clase 3 - Regresión Lineal (Descenso del gradiente)] [Regresión Lineal (Descenso del gradiente) (versión v6 - Con lab)]
- 21 Nov 2025: Nueva clase disponible: 02 - Regresión Lineal [Clase 3 - Regresión Lineal (Descenso del gradiente)] [Regresión Lineal (Descenso del gradiente) (versión v5 - v1 2025)]
- 19 Nov 2025: Nueva clase disponible: 02 - Regresión Lineal [Clase 2 - Regresión Lineal (Ecuaciones normales)] [Regresión Lineal (Ecuaciones normales) (versión v5 - v1 2025)]
Índice
- Descripción del curso
- Objetivos Competenciales Cognitivos (OCC)
- Contenido temático
- Tema 1: Introducción al aprendizaje automático
- Tema 2: Preprocesamiento de datos
- Tema 3: Algoritmos de aprendizaje supervisado
- Tema 4: Algoritmos de aprendizaje no supervisado
- Tema 5: Algoritmos de reducción de dimensionalidad
- Tema 6: Evaluación de modelos de aprendizaje automático
- Tema 7: Aplicaciones y casos de estudio
- Discord del curso
- Evaluaciones
- Código de honor
Descripción del curso
El aprendizaje automático (Machine Learning) ha adquirido una influencia significativa en diversas áreas de nuestra vida hoy en día siendo uno de los perfiles profesionales con mayor demanda hoy día en el campo de ciencias de la computación. Desde aplicaciones de reconocimiento facial en nuestros dispositivos móviles hasta recomendaciones de productos personalizadas en plataformas de comercio electrónico, culminando en aplicaciones de procesamiento de lenguaje natural, el aprendizaje automático ha transformado la forma en que interactuamos con la tecnología. El curso se centra en comprender los principios y algoritmos clave utilizados en el aprendizaje automático, así como en su aplicación práctica a través de proyectos y ejercicios.
Objetivos Competenciales Cognitivos (OCC)
- Comprender los conceptos básicos del aprendizaje automático, incluidos los tipos de problemas que se pueden abordar y las diferentes técnicas utilizadas.
- Familiarizarse con los algoritmos de aprendizaje automático más comunes y asociarlos con el tipo de aprendizaje correcto.
- Aprender a aplicar técnicas de preprocesamiento de datos para mejorar la calidad de los conjuntos de datos utilizados en el aprendizaje automático.
- Adquirir habilidades para evaluar y medir el rendimiento de los modelos de aprendizaje automático utilizando métricas y técnicas de validación cruzada.
- Desarrollar la capacidad de implementar algoritmos de aprendizaje automático utilizando bibliotecas y herramientas populares.
- Aplicar los conocimientos adquiridos a través de proyectos prácticos, resolviendo problemas del mundo.
Contenido temático
Tema 1: Introducción al aprendizaje automático
Definición y conceptos básicos de aprendizaje automático. Breve historia de aprendizaje automático y línea de tiempo del área. Breve repaso sobre conceptos de Álgebra Lineal y Cálculo Multivariable. Tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo. Ejemplos de aplicaciones del aprendizaje automático en diferentes campos. Aspectos éticos en el aprendizaje automático. Sesgos y discriminación en conjuntos de datos. Privacidad y protección de datos. Reproducibilidad de flujos de trabajo. Considera los Objetivos Competenciales Cognitivos (OCC): 1, 2.
Tema 2: Preprocesamiento de datos
Limpieza de datos: manejo de valores faltantes, datos inconsistentes y ruido. Normalización y estandarización de datos. Selección y extracción de atributos. Aumento de datos (data augmentation). Considera los Objetivos Competenciales Cognitivos (OCC): 3, 6.
Tema 3: Algoritmos de aprendizaje supervisado
Introducción y conceptos básicos sobre regresión y clasificación. Regresión lineal y regresión logística. Máquinas de vectores de soporte (Support-Vector Machines, SVM). Árboles de decisión y bosques aleatorios. Redes neuronales artificiales. Considera los Objetivos Competenciales Cognitivos (OCC): 1, 4, 6.
Tema 4: Algoritmos de aprendizaje no supervisado
Conceptos básicos de agrupamiento (clustering). Algoritmos y modelos: k-medias, agrupamiento jerárquico, reglas de asociación, entre otros. Considera los Objetivos Competenciales Cognitivos (OCC): 1, 4, 5, 6.
Tema 5: Algoritmos de reducción de dimensionalidad
Conjuntos de datos de alta dimensionalidad. Medición de la dimensionalidad. Algoritmos y modelos: Análisis de Componentes Principales (PCA), Local Linear Embedding (LLE), t-Distributed Stochastic Neighbor Embedding (t-SNE), Uniform Manifold Approximation and Projection (UMAP), entre otros. Considera los Objetivos Competenciales Cognitivos (OCC): 3, 4, 5, 6.
Tema 6: Evaluación de modelos de aprendizaje automático
Métricas de evaluación: precisión, recall, F1-score, matriz de confusión, curva ROC (Receiver Operating Characteristic), entre otras. Validación cruzada y selección de modelos. Sobreajuste (overfitting) y subajuste (underfitting). Técnicas de visualización de estadística descriptiva útiles en aprendizaje automático: gráficos de dispersión, histogramas de frecuencia, líneas de tiempo, entre otros. Considera los Objetivos Competenciales Cognitivos (OCC): 2, 4, 6.
Tema 7: Aplicaciones y casos de estudio
Reconocimiento de imágenes y visión por computadora. Sistemas de recomendación. Aprendizaje automático en medicina y finanzas. Analítica deportiva (sabermetría y extensión del modelo xG en fútbol), procesamiento de lenguaje natural (síntesis automática de texto, reconocimiento automático de entidades), entre muchos otros. Considera los Objetivos Competenciales Cognitivos (OCC): 5, 6.
La descripcion del curso provee solo una guía de los temas que podemos ver en el curso. Dependiendo del semestre el contenido final puede variar
Discord del curso
Evaluaciones
| Tareas y asignaciones | Exámenes | Proyectos | Total |
|---|---|---|---|
| 30% | 40% | 30% | 100% |
Proyecto
| Todos los Grupos | |
|---|---|
| Fecha de envío | Por definir |
| Fecha de presentación | Por definir |
| Asignados | Por definir |
| Link | Por definir |
Exámenes teóricos
Los exámenes teóricos tienen una componente práctica realizada en casa y una teórica realizada de manera presencial.
| Parcial 1 | Parcial 2 | |
|---|---|---|
| Fecha | Por definir | Por definir |
| Temas | Por definir | Todos |
| Link | Por definir | Por definir |
Asignaciones
| Tarea 1 | Tarea 2 | |
|---|---|---|
| Fecha | Por definir | Por definir |
| Temas | Por definir | Por definir |
| Link | Por definir | Por definir |
| Material | Por definir | Por definir |
| Nota |
Código de honor
Pueden (y aliento fírmemente) discutir con otros estudiantes del curso sobre los proyectos y laboratorios. Sin embargo, debe entender bien sus soluciones y cada entregable debe ser personal o grupal, de tal manera que esté escrito de forma aislada.
El grupo docente se reserva el derecho de interrogar sobre laboratorios, exámenes y proyectos.
Qué podemos hacer?
- Discutir cómo implementar un algoritmo.
- Qué tipo de bibliotecas usar?
- Cómo puedo instalar un framework?
Uso de internet
También puedes consultar Internet para obtener información, siempre que no revele la solución. Si una pregunta te pide que diseñes e implementes un algoritmo para un problema, está bien si encuentras información sobre cómo resolver un problema pero no está bien si buscas el código o el algoritmo para el problema que te están preguntando.
Proyectos
Para los proyectos, puedes hablar con otros alumnos del curso sobre dudas sobre el lenguaje de programación, librerías, algún tema de API, etcétera, pero tanto las soluciones como la programación deben ser tuyas.
Uso de LLM
Lo mismo se aplica a las herramientas de IA generativa, como ChatGPT, Bard, Bing, etc. Estas pueden ser herramientas útiles en tu trabajo. Sin embargo, el uso de dichas herramientas cuando no esté explícitamente permitido será tratado como plagio y está estrictamente prohibido.
Cualquier duda pueden contactar al grupo docente.
