Resolución del Consejo Directivo de la FICH N° 88-2016
Res Res 88 - 16 Rectifica Aprobación Optativa MinerÃa de Datos y Ap automático
Expte. Nº 67.474.-
Santa Fe, 25 de abril de 2016.-
VISTO el expediente de referencia mediante el cual el Director de la Carrera Ingeniería en Informática, Ing. Horacio LOYARTE, propone la incorporación de la asignatura optativa “Minería de Datos y Aprendizaje Automático”, y
CONSIDERANDO:
QUE se aprobó la incorporación de la mencionada asignatura mediante Resol. CD 52/16;
QUE se ha detectado un error en la carga horaria establecida por la nombrada resolución;
QUE Secretaría Académica aconseja su revisión;
POR ELLO, y teniendo en cuenta despacho de la Comisión de Enseñanza,
EL CONSEJO DIRECTIVO
De la Facultad de Ingeniería y Ciencias Hídricas
Resuelve:
ARTÍCULO 1º.- Rectificar la Resolución Nº 052/16, de fecha 28 de marzo de 2016, por la que se incorpora la asignatura “Minería de Datos y Aprendizaje Automático”, que se dicta para la carrera Licenciatura en Matemática Aplicada en la Facultad de Ingeniería Química, como Asignatura Optativa para la carrera Ingeniería en Informática, a cargo del Dr. Diego TOMASSI, con una carga horaria cuatrimestral de 06 hs. semanales y no 04 hs semanales.-
ARTÍCULO 2º.- Como Anexo I se incorpora la planificación de la mencionada asignatura a la presente la Resolución.
ARTÍCULO 3º.- Inscríbase, comuníquese, dese a publicidad. Tome nota Secretaría Académica, Secretaría de Coordinación, Director de la carrera de Ingeniería en Informática, Director del Departamento Informática, Departamento Alumnado y Bedelía. Notifíquese al Dr. TOMASSI. Cumplido, archívese.-
RESOLUCIÓN CD Nº 088/16
ANEXO I (Resol. 88/16)
PROGRAMA ANALÍTICO
UNIDAD I: Introducción al aprendizaje automático y la minería de datos. Aprendizaje supervisado vs no supervisado. Regresión, clasificación y clustering. Criterios de optimalidad. Riesgo de Bayes. Riesgo empírico y riesgo estructural.
UNIDAD II: Aprendizaje supervisado: modelos lineales. Regresión lineal múltiple. Regresión logística. Análisis discriminante lineal y cuadrático. Validación cruzada y métodos de remuestreo para selección y validación de modelos. Curvas ROC.
UNIDAD III: Aprendizaje supervisado: modelos lineales en alta dimensión. Selección por pasos vs regularización. Regresión ridge. Lasso y lasso por grupos. Reducción de dimensiones: regresión parcial y correlaciones canónicas.
UNIDAD IV: Aprendizaje supervisado: métodos basados en árboles. Particionado recursivo: Árboles de regresión y de clasificación. Bagging, boosting y randomforests.
UNIDAD V: Aprendizaje supervisado: métodos basados en núcleos. Vecinos más cercanos. Criterio de margen máximo. Máquinas de vectores soporte para clasificación y regresión.
UNIDAD VI: Aprendizaje no supervisado: clustering. K-medias, Mean-shift, level sets. Clustering basado en modelos de mezclas y algoritmo EM. Clustering basado en grafos. Clustering jerárquico. Clustering de variables y biclustering.
UNIDAD VII: Aprendizaje no supervisado: reducción de dimensiones y modelos de variables latentes. Análisis de componentes principales (PCA). Análisis de componentes independientes. Análisis de factores. Métodos no-lineales .de reducción dimensional.
UNIDAD VIII: Aprendizaje no supervisado: explorando .dependencias entre variables. Medidas generalizadas de correlación y dependencia estadística. Modelos gráficos probabilísticos.
Duración del curso: 15 semanas (6 horas semanales)
Conocimientos Requeridos: Fundamentos de Programación – Álgebra Lineal
Evaluación: dos exámenes parciales escritos – Trabajo Final
Cupo: 20 alumnos
Documentos adjuntos