Temas Selectos de Sistemas de Información

This course provides an introduction to machine learning concepts, algorithms, and applications. Students will learn about supervised and unsupervised learning, model evaluation, and practical implementations.

Instructor: Luis Zuñiga

Term: Fall

Location: A203A

Time: Martes y Jueaves, 07:00-09:00 AM

Course Overview

This introductory course on machine learning covers fundamental concepts and algorithms in the field. By the end of this course, students will be able to:

  • Understand key machine learning paradigms and concepts
  • Implement basic machine learning algorithms
  • Evaluate and compare model performance
  • Apply machine learning techniques to real-world problems

Prerequisitos

  • Cálculo de varias variables
  • Álgebra lineal
  • Programación estructurada (Python)
  • Fundamentos de probabilidad

Bibliografía Sugerida

Primaria

  • “Learning from Data: A Short Course” por Abu-Mostafa, Y. S., Magdon-Ismail, M., & Lin, H.-T.

Referencia

  • “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow” por Géron, A.
  • “The Elements of Statistical Learning: Data Mining, Inference, and Prediction” por Hastie, T., Tibshirani, R., & Friedman, J. H.

Grading

  • Assignments: 40%
  • Midterm Exam: 20%
  • Final Project: 30%
  • Participation: 10%

Schedule

Week Date Topic Materials
1 12 - 14 Ago Introducción al curso e Introducción al Machine Learning

Presentación del curso y syllabus. ¿Qué es el Machine Learning?, componentes del aprendizaje y tipos de aprendizaje (supervisado, no supervisado y por refuerzo).
2 19 - 21 Ago Regresión lineal simple y múltiple

Idea del aprendizaje supervisado. Presentación del modelo de regresión lineal simple y múltiple, función de costo, estimación de parámetros y gradiente descendiente. Práctica 1a - Modelos de regresión lineal y polinomial con gradiente descendiente.
3 26 - 28 Ago Regresión logística

Problema de clasificación. Presentación del modelo de regresión logística, función de costo logarítmica, función de decisión y estimación de parámetros. Práctica 1b - Regresión logística en Scikit-learn.
4 2 - 4 Sep Regularización y métricas de evaluación

Idea básica de la regularización y su aplicación en regresión lineal y logística. Práctica 1c - Técnicas de regularización. Métricas de evaluación para clasificación y regresión. Práctica 2 - Primer proyecto de Machine Learning.
5 9 - 11 Sep K Vecinos Más Cercanos y Redes Neuronales

Presentación y derivación del modelo KNN. Práctica 3 - kNN para predecir la edad de los abulones. Historia de las redes neuronales, neurona de McCulloch-Pitts y perceptrón multicapa.
6 16 - 18 Sep Entrenamiento de redes neuronales - Backpropagation

Sin clases el 16 de septiembre. Entrenamiento de redes neuronales con el algoritmo de backpropagation.
7 23 - 25 Sep Entrenamiento práctico de redes neuronales

Entrenamiento práctico de redes neuronales. Práctica 4 - Implementación de redes neuronales con Keras. Problemas durante el entrenamiento. Práctica 5 - Entrenamiento de redes neuronales.
8 30 Sep - 2 Oct Entrenamiento de modelos de Machine Learning

Evaluación de algoritmos, validación cruzada y bias vs variance. Lectura de artículo sobre reporte de métodos de ML en datos biomédicos.
9 7 - 9 Oct Entrenamiento de modelos - Prácticas

Práctica 6 - Precio del Dogecoin. Práctica 7 - Entrenamiento desequilibrado con el conjunto de datos Haberman.
10 14 Oct Primera evaluación

Primera evaluación escrita (cubre semanas 1-9).
11 16 - 21 Oct Aprendizaje No Supervisado - Clustering y K-Means

Idea del aprendizaje no supervisado. Clustering e idea básica de K-Means. Práctica 8 - Implementación de K-Means.
12 23 - 28 Oct Reducción de Dimensionalidad

Análisis de Componentes Principales y reducción de dimensionalidad. Práctica 9 - Implementación de PCA.
13 30 Oct Factibilidad del aprendizaje

Diseño de modelos y aprender de datos. ¿Es factible aprender de los datos? Error y ruido.
14 4 - 6 Nov Entrenamiento vs prueba

Teoría de la generalización y límite de la generalización.
15 11 - 13 Nov Teoría sobre Machine Learning y Segunda evaluación

Intercambio entre generalización y aproximación. Segunda evaluación.
16 18 - 20 Nov Asesorías para el proyecto final

Sin clases el 18 de noviembre. Asesorías para el proyecto final.
17 25 Nov - 4 Dic Cierre del curso

Asesorías para el proyecto final (25/11 y 27/11). Entrega de materiales para evaluación (02/12). Entrega y corrección de calificaciones (04/12).