Aprendizaje Automático*

INF-393 II-2019
Profesor Horarios & Salas
‣ Ricardo Ñanculef jnancu@inf.utfsm.cl Viernes 7-10. Sala A-003.

Martes 9-10. Sala A-008 (extraordinario)

Ayudante
‣ Francisco Mena (Tareas/Talleres)
 Consultas
francisco.mena@alumnos.inf.utfsm.cl Jueves 5-6. Sala A-133.

Metodología de Evaluación:

‣ 4 Tareas: Actividades a realizar en equipos de dos personas, consistentes en la aplicación y análisis

experimental de los métodos estudiados. Requieren un nivel básico de programación,
manipulación de datos y discusión de resultados. Cada tarea va acompañada de una presentación
y discusión en clases. Las tareas se evaluarán ponderando un 50% el informe+código, un 35% la
presentación y un15% la participación en las demás exposiciones. En caso de que, por falta de
tiempo, el equipo no presente oralmente su tarea, la nota se calculará ponderando un 75% el
informe+código y un 25% la participación en las demás exposiciones. Las calificaciones obtenidas
se denominan T1, T2, T3 y T4.

‣ 4 Quices: Breves evaluaciones conceptuales, escritas e individuales, sobre los temas

correspondientes a cada tarea, o sobre una lectura seleccionada con anticipación. Para orientar al
estudiante, se publicará una guía de preguntas antes de cada evaluación. Las notas obtenidas se
denominan Q1, Q2, Q3 y Q4.

‣ Nota Final: Para los estudiantes de pregrado, la nota final se calculará de la siguiente forma:
p p p p
0.15 Q1 ⇤ T1 + 0.3 Q2 ⇤ T2 + 0.3 Q3 ⇤ T3 + 0.25 Q4 ⇤ T4
<latexit sha1_base64="/xZTw3J99AddYOVF9uJIA8MIHJE=">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</latexit>

‣ Postgrado: Durante el semestre, los estudiantes de postgrado (INF-578) deberán leer 3 papers y
exponerlos ante el curso. Además de esto, propondrán y desarrollarán un pequeño proyecto, tipo
tarea, pero con un mayor nivel de originalidad y novedad, que documentarán en un informe.
Finalmente, los quices, contendrán una pregunta especial para ellos. La nota final en este caso, se
calculará ponderando la nota obtenida por las actividades realizadas con pre-grado (NB), la nota
de lectura de papers (NL) y la nota del mini-proyecto (NP) del siguiente modo:

0.15 · NB + 0.6 · NL + 0.25 · NP

<latexit sha1_base64="2CZJj9HnWmtVznYkMCQ/JnzPHFc=">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</latexit>

* Formalmente, “Máquinas de Aprendizaje Computacional”. Para postgrado la sigla es INF-578 (5 créditos).

 Calendario 2019 - 2
Semana Temas Cap.

Ago. 16 Introducción & Modelo de Aprendizaje Supervisado. El Perceptrón. 1

Ago. 23 Modelo Lineal de Regresión (Multi-variada). 2

Ago. 30 Clasificadores Discriminativos Básicos. El Perceptrón revisitado. Regresión Logística. 3

Sep. 06 Clasificadores Generativos Básicos (LDA, QDA, Naive Bayes). 4

Sep. 06 Entrega Tarea 0. Quiz 0 (Capítulos 1-3).

Sep. 10 Evaluación y Selección de Modelos (Cross-validation). 5

Sep. 13 Regularización (Lasso) , Selección de Atributos, Reducción de Dimensionalidad (PCA). 6

Sep. 20 Fiestas Patrias.

Sep. 27 SVMs (Support Vector Machines) para Clasificación & Regresión. 7

Oct. 04 Quiz 1.

Oct. 04 Presentaciones Tarea 1 (Capítulos 1-6).

Oct. 11 Métodos basados en Similaridad. K-nearest neighbors. 8

Oct. 18 Árboles de Clasificación & Regresión. 9

Oct. 25 Redes Neuronales Artificiales. 10

Nov. 01 Feriado.

Nov. 08 Quiz 2.

Nov. 08 Presentaciones Tarea 2 (Capítulos 7-9).

Nov. 15 Ensamblados. Bagging, Boosting, Random Forest. 11

Nov. 22 Aprendizaje no-supervisado. Mezcla de Gausianas. Algoritmo EM. 12

Nov. 29 Aprendizaje sobre secuencias. Modelos ocultos de Markov. 13

Dic. 06 Quiz 3.

Dic. 06 Presentaciones Tarea 3 (Capítulos 10,11,12,13).

Semana Actividades de Postgrado Cap.

Sep. 13 Plazo máximo para paper 1. 1

Sep. 27 Plazo máximo para paper 2. 2

Oct. 25 Plazo máximo para paper 3. 2

Nov. 22 Propuesta formal proyecto. 3

Dic. 30 Entrega Informe Mini-proyecto. 4

Referencias
‣ Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning:
DataMining, Inference, and Prediction. 2009.
‣ Ethem Alpaydin. Machine Learning. 2014.
‣ Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. 2016.
‣ Christopher M. Bishop. Pattern Recognition and Machine Learning. 2006.
‣ Peter Flach. Machine Learning: The Art and Science of Algorithms that Make Sense of Data.
2012.
‣ Apuntes del Curso de Machine Learning de la Universidad de Stanford.
http://cs229.stanford.edu

Código de Honor
Considerando el perfil de los profesionales que como Departamento de Informática
declaramos formar, donde se establece que éstos deben manifestar conductas y actitudes
de responsabilidad, respetando principios éticos y normativos, se precisa que:

Cualquier conducta de falta de honestidad de un estudiante en el desarrollo de una

evaluación será sancionado con nota cero en ésta. Además, conforme al Reglamento de
Derechos y Deberes de los alumnos de Casa Central y Campus Santiago (ver reglamento en
SIGA), los antecedentes podrán ser enviados a la Comisión Universitaria (CU), la que
procederá a investigar y juzgar. Las sanciones que aplica la CU van desde una amonestación
verbal hasta la expulsión de la Universidad.