Este curso está dirigido a principiantes en el campo del aprendizaje automático. Es un curso asincrónico que se puede iniciar en cualquier momento y seguir a tu propio ritmo; la "fecha de inicio" que aparece en el sitio solo se refiere al primer día en que los materiales estuvieron disponibles. Es útil estar familiarizado con Python y los cuadernos Jupyter, que utilizamos para la implementación (consulta la sección "Herramientas que necesitarás"). Proporcionamos una base en métodos de Aprendizaje Automático, y nos enfocamos en sus aplicaciones a ejemplos de investigación real, desde el análisis exploratorio de datos hasta la comprobación de hipótesis y diagnósticos. Nuestro enfoque es muy pragmático y tratamos de mantener las matemáticas al mínimo (aunque es posible que ocasionalmente aparezca un poco de álgebra lineal). La mayoría de los ejemplos los tomamos de la Física y la Astronomía.
Esta es la lista de temas que cubrimos:
-
Introducción al Aprendizaje Automático (Unidad 1).
-
Aprendizaje supervisado para clasificación; árboles y vecinos (Unidad 2).
-
Métricas de evaluación; diagnósticos (Unidad 3).
-
Pre-procesamiento y optimización de parámetros, máquinas de soporte vectorial (Unidad 4).
-
Regresión: Métricas, descenso de gradiente, modelos lineales (Unidad 5).
-
Métodos de ensamble para clasificación y regresión (Unidad 6).
-
Agrupamiento y reducción de dimensionalidad (Unidad 7).
-
Introducción a Redes Neuronales: Entrenamiento, optimización, arquitecturas (Unidad 8).
Cada unidad está organizada en diferentes componentes. La sección de Descripción General describe brevemente los temas y conjuntos de datos introducidos en cada unidad. Las lecciones en video se utilizan para discutir los conceptos principales: algoritmos, métodos y datos, en forma de presentación tradicional. Para tu comodidad, también hemos traducido y puesto a disposición todas las diapositivas de las presentaciones en PowerPoint utilizadas en los videos. El contenido refleja lo que ves en los videos (con algunas pequeñas modificaciones debido a materiales actualizados). La sección de Cuestionarios contiene las aventuras de la IAmiga, una adorable criatura, no totalmente consciente, que te acompañará en tu viaje de aprendizaje. Finalmente, se te invita a "Ponerlo en práctica", ejecutando los cuadernos asociados a cada unidad y probando tu comprensión y habilidades de codificación con las "Verificaciones de Aprendizaje" presentes en cada unidad. Todos los cuadernos están acompañados por videos explicativos, que describen lo que está sucediendo en cada paso y (lo más importante) por qué.
Si lo deseas, a partir del verano de 2023 podrás comprar el libro "Aprendizaje Automático para Física y Astronomía" (en inglés), escrito por la Dra. A y publicado por Princeton University Press, que sigue este curso y contiene materiales y detalles adicionales.
Nuestra esperanza es que al final de la clase seas capaz de: Leer y entender un artículo que use Aprendizaje Automático; Saber cómo construir, diagnosticar y optimizar un modelo de Aprendizaje Automático; Desarrollar un sentido de qué métodos están disponibles y cómo aplicarlos a problemas de investigación; Tener borradores de cuadernos con implementaciones simples que puedas usar como base para escribir más (y mejor) código.
¡Buena suerte y nuevamente, bienvenidos!