PROGRAMA DE CURSO. Horas Docencia Horas de Trabajo Horas de Cátedra Docentes ,5 5,5. Resultados de Aprendizaje

Transcripción

1 PROGRAMA DE CURSO Código Nombre CC5113 Aprendizaje Automático Bayesiano Nombre en Inglés Bayesian Machine Learning SCT Unidades Horas Docencia Horas de Trabajo Horas de Cátedra Docentes Auxiliar Personal ,5 5,5 Requisitos Carácter del Curso MA3403, CC3301 Electivo para la ICC Resultados de Aprendizaje Al término del curso, el alumno demuestra que identifica las problemáticas principales en el ámbito del aprendizaje automático. Es capaz de identificar problemas de aprendizaje supervisado, no supervisado, o reforzado, así como plantear soluciones para ellos con los métodos existentes. En particular, puede resolver problemas de regresión, clasificación, clustering, identificación de procesos, y agentes que aprenden. Finalmente, comprende los desafíos teóricos y computacionales de las distintas metodologías mencionadas, así como de los métodos de optimización utilizados dentro de ellas. Metodología Docente Clases expositivas y tareas personales de programación en distintos ambientes robóticos simulados. Evaluación General La evaluación se basa en trabajos grupales en clases y 5 ó 6 tareas de programación y un proyecto final. Se sigue la ponderación siguiente: NTG= (NTG1+ +NTGn)/n NT = (NT1+NT2+ +NTm)/m NF = 0,4*NTG + 0,4*NT + 0,2*NP

2 Unidades Temáticas 1 Introducción 2 1. Definición del problema de aprendizaje automático. 2. Tipos de aprendizaje automático 3. Ejemplos de aplicaciones exitosas 4. Vectores de Características 5. Modelos Gráficos Identifique los tipos de aprendizaje automático relevantes y conozca ejemplos de aplicaciones. Entienda el concepto de vectores de características. Construya un vector de características apropiado en casos relevantes. Interprete un modelo gráfico en términos de las dependencias entre variables aleatorias involucradas en un problema. Pueda sintetizar las probabilidades conjuntas a partir de un modelo gráfico. 2 Aprendizaje Supervisado 3 1. Regresión lineal y no lineal (basada en kernels) 2. Clasificación usando MLP, Naive Bayes, SVM Lineal y Regresión Logística. Comprenda los problemas de regresión y clasificación. Identifique los casos en que dichos problemas son aplicables. Entienda los fundamentos y características de métodos de regresión lineal y no lineal y sea capaz de aplicarlos. Entienda los fundamentos y características de los métodos clasificación vistos y sea capaz de aplicarlos.

3 3 Inferencia Bayesiana 2 1. Funciones de densidad de probabilidad (pdf): a priori, a posteriori, verosimilitud. 2. Estimadores de máxima verosimilitud (MLE) y máxima probabilidad a posteriori (MAP). 3. Sobre-ajuste y Bajo-ajuste 4. Regularización Comprenda los conceptos de pdf a priori, a posteriori, y verosimilitud. Entienda los estimadores MLE y MAP y sea capaz de calcularlos. Entienda los fenómenos de sobreajuste y bajo-ajuste y sea capaz de identificar su aparición así como de prevenirlos y corregirlos. Entienda el mecanismo de regularización y sea capaz de aplicarlo. 4 Aprendizaje no-supervisado 2 1. Algoritmos de Clustering: K-Means, DBSCAN Comprenda el concepto de clustering. Sea capaz de aplicar los algoritmos de clustering vistos.

4 5 Aspectos Avanzados 4 2. Procesos Gaussianos para regresión. 3. Combinaciones de Gaussianas (GMM) y Expectation- Maximization (EM). 4. SVM con kernels 5. Descenso estocástico del gradiente 6. Redes Bayesianas Aplique Procesos Gaussianos para regresión e interpretar la varianza predicha por el método. Aplique el método de GMM para estimar una pdf multimodal. Comprenda el mecanismo de EM y poder aplicarlo para la resolución de GMM. Aplique kernels en los clasificadores SVM. 6 Aprendizaje Reforzado 2 1. Problema de Aprendizaje Reforzado. 2. Explotación Exploración 3. Métodos de Diferencia Temporal 4. Aprendizaje Reforzado Basado en Modelos. Entienda el problema del Aprendizaje Reforzado así como su importancia y complejidad. Sea capaz de aplicar distintas estrategias para resolver el dilema de explotación exploración. Entienda los fundamentos de los métodos de diferencia temporal y sea capaz de aplicar algunos de ellos. (Q- Learning, SARSA) Entienda los fundamentos del aprendizaje reforzado basado en modelos.

5 El curso es autocontenido y no requiere bibliografía de apoyo si se asiste a clases. Para quienes deseen profundizar más sobre los contenidos del curso se recomiendan los siguientes libros: Murphy, K.P.: Machine Learning: A Probabilistic Perspective. The MIT Press (2012) Bishop, Christopher M., Pattern Recognition and Machine Learning. Springer. (2006) Vigencia desde: Otoño 2016 Elaborado por: Pablo Guerrero