- Profesor: Adrián Soto Suárez (adrian.soto@uai.cl)
- Ayudante: Raymundo Lizama (rlizama@alumnos.uai.cl)
Durante el curso el alumno aprenderá el flujo de trabajo que debe seguir un data scientist al involucrarse en un proyecto de Machine Learning. También se espera que el alumno obtenga conocimiento de los modelos y técnicas más famosas del área tanto a nivel teórico como práctico:
- Desde el punto de vista teórico, el alumno aprenderá la formalización del problema de aprendizaje desde el punto de vista estadístico. Además, el alumno será capaz de entender los fundamentos teóricos de los modelos vistos en este curso.
- Desde el punto de vista práctico, el curso contempla el estudio de frameworks y liberías ampliamente utilizados en entornos de producción de proyectos de Machine Learning.
Finalmente, también se contempla estudiar técnicas para medir el desempeño de estos algoritmos y optimizar su funcionamiento. Al final del curso el alumno conocerá en qué contexto usar cada uno de los modelos, entendiendo sus ventajas y desventajes. Además podrá desarrollar algunos de estos modelos desde cero.
Evaluación | Fecha de publicación | Contenido |
---|---|---|
Actividad 00 | 05 de agosto | Introducción a Pandas |
Actividad 01 | 12 de agosto | Scikit Learn |
Actividad 02 | 26 de agosto | Naive Bayes y Medidas de Desempeño |
Actividad 03 | 09 de septiembre | Regresión Lineal, Logística y Gradient Descent |
Actividad 04 | 07 de octubre | SVM y Kernels |
Actividad 05 | 04 de noviembre | Reducción de Dimensionalidad, Random Forest y Feature Importance |
Actividad 06 | 25 de noviembre | Clustering y Redes Neuronales |
Además, hay una entrega parcial del proyecto pronosticada para el 29 de octubre, mientras que la entrega final está programada para el 09 de diciembre.
La página de Issues se utilizará como foro para preguntas. Notar que las etiquetas ya se encuentran definidas. Este es el único canal oficial para formular preguntas.
Tanto al publicar como comentar, debes atenerte a las normas, que consisten en:
- Primero revisa las issues, ya que la pregunta que vas a hacer puede haber sido respondida antes.
- Dar un nombre descriptivo a tu issue. Recuerda que la respuesta a tu duda le puede servir a alguien más, así que un nombre descriptivo es lo más fácil para que tus compañeros sepan que se discutió en cada una.
- Asignar a tu issue la etiqueta que le corresponde.
- No mostrar/adjuntar todo tu código, sino del fragmento en el que tienes un problema o duda.
- Dentro de lo posible, usar Markdown para lo que escribas.
Importante: El equipo docente puede tardar mas de 24 horas en contestar una issue, aunque normalmente el tiempo de respuesta debería ser menor. Por lo mismo, se recomienda no publicar issues el mismo día de alguna entrega.