Curso sobre tópicos de aprendizaje automatizado

El curso en general, que en su primer tramo comenzó el miércoles y concluirá hoy, tendrá continuidad el 3, 4, 5, 11 y 12 de junio próximo. Está dirigido a graduados y estudiantes avanzados en Informática, alumnos de carreras de posgrado, docentes e investigadores interesados en técnicas de análisis de datos.

Docente responsable es el Dr. Hernán César Ahumada. Se otorgará certificados a quienes cumplan con el 80% de asistencia, con una carga horaria de 30 horas cátedra.

Los objetivos son que el alumno logre familiarizarse con los conceptos básicos del aprendizaje automatizado, conocer los fundamentos y el alcance de las principales técnicas de aprendizaje automatizado, ser capaces de identificar las técnicas y métodos que sean necesarios para la resolución inteligente de problemas de procesamiento de información que lo requieran, implementar métodos de aprendizaje automatizado utilizando un lenguaje de programación de propósito específico para el tratamiento de datos.

La evaluación se realizará a través de un trabajo final con aplicación de métodos de aprendizaje automatizado a una situación problemática concreta. El dictado consiste de ocho encuentros presenciales teórico-prácticos, con presentación mediante diapositivas de conceptos teóricos y ejemplos de uso y programación en lenguaje R de diversos métodos de aprendizaje automatizado.

Es tema de tratamiento el aprendizaje automatizado: introducción, problemas y tareas, taxonomía de métodos.

También, es abordado el aprendizaje supervisado: características, conceptos básicos, tipos (clasificación, regresión), funciones de pérdida, medidas de desempeño, técnicas de evaluación (conjuntos de entrenamiento y test, validación cruzada, bagging), métodos de aprendizaje supervisado (vecinos más cercanos, árboles de decisión, métodos basados en reglas, método Naive Bayes, redes neuronales, máquinas de vectores soporte), técnicas de comparación de métodos].

Además, el temario prevé el aprendizaje no supervisado: características, conceptos básicos, medidas de similaridad y disimilaridad, agrupamiento (métodos particionales, métodos jerárquicos, métodos basados en densidad, métodos basados en grafos).

Las actividades prácticas incluyen introducción a R 2, codificación de algoritmo del vecino más cercano en lenguaje R 3, implementación de árboles de decisión usando R 4, codificación de algoritmo Naive Bayes en lenguaje R 5, algoritmo SVM en R 6 y aplicación de técnicas de agrupamiento (clustering) en R.

El Dr. Hernán César Ahumada, profesor responsable del curso, es ingeniero en Sistemas de Información, título otorgado por la Facultad Regional Córdoba – Universidad Tecnológica Nacional. Doctor en Informática, recibido en la Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario, y profesor adjunto de las cátedras Minería de Datos y Datawarehouse del Departamento Informática y de Geometría Analítica del Departamento de Formación Básica de la Facultad de Tecnología y Ciencias Aplicadas de la UNCa.