Aprendizaje Automático
El Aprendizaje Automático (o Machine Learning) es una rama de la Inteligencia Artificial que se dedica al estudio de los programas que aprenden a realizar una tarea en base a la experiencia. El objetivo del proceso de aprendizaje es utilizar la evidencia conocida para crear un modelo que sirva para dar respuesta a nuevas situaciones no conocidas. Cada día existen más aplicaciones de Aprendizaje Automático: filtros de spam, reconocimiento de caras, autos que se manejan solos, reconocimiento del habla, sistemas de recomendación, detección de fraude, movimiento de robots, y muchos ejemplos más. Esta materia consiste en una introducción abarcativa de las principales técnicas y aplicaciones del área, con una mezcla balanceada de teoría y ejercitación práctica.
Temario: Aprendizaje supervisado: clasificación y regresión, árboles de decisión, naive Bayes, redes neuronales, vecinos más cercanos, modelos gráficos, algoritmo EM. Aprendizaje no supervisado, clustering. Aprendizaje por refuerzos. Extracción y selección de atributos. Aplicaciones en procesamiento del lenguaje natural, imágenes, sistemas de recomendación y big data, entre otros.
Información general sobre la cursada[editar]
La materia consta de clases teórico/prácticas en el laboratorio. Generalmente la dictan: Agustín Gravano (Profesor) y Ernesto Mislej (JTP) los Miércoles de 10 a 15. Sus correlativas son Métodos Numéricos y Teoría de Lenguajes.
Para aprobar es necesario completar 2 trabajos prácticos y un examen escrito y da 3 puntos para la licenciatura y 4 para el doctorado.
Link a la página oficial de la materia: http://www.dc.uba.ar/materias/aa/
Apuntes[editar]
- Apunte con preguntas para el examen escrito: __descripción__
