Bienvenidos al curso MT0017 Tópicos de Ingeniería Mecatrónica: Machine Learning (Aprendizaje Automático), en la Universidad de Ingeniería y Tecnología - UTEC, Lima, Perú
Este curso introduce los principios fundamentales del Aprendizaje Automático o "Machine Learning", así como del Aprendizaje Profundo o "Deep Learning", desde un punto de vista analítico, para diseñar y utilizar
sistemas que incrementan su desempeño con base en la
experiencia. Se busca encontrar y reconocer patrones de
comportamiento, ası́ como caracterı́sticas estructurales en conjuntos
de datos de diverso origen, para realizar predicciones. El curso hace énfasis en aplicaciones prácticas de los principales métodos de aprendizaje.
Los principales temas abordados en el curso son: aprendizaje
supervisado a través de regresión lineal y logística, SVM, métodos de boosting y bagging, redes neuronales, etc.; aprendizaje no supervisado para agrupamiento y reducción de dimensionalidad con métodos como k-means y PCA; aprendizaje profundo con redes neuronales convolucionales y recurrentes, así como aplicaciones prácticas de estos métodos; introducción a aprendizaje por reforzamiento.
El curso es, en general, autocontenido y se provee notas para algunos temas. No hay ningún libro de texto que sea seguido en su totalidad a lo largo de este curso. Sin embargo, los siguientes textos son útiles como referencia complementaria:
K.P. Murphy (2012). Machine Learning: A Probabilistic Perspective. The MIT Press: link
I. Goodfellow, Y. Bengio, y A. Courville (2016). Deep Learning. The MIT Press: html
C. Bishop (2006). Pattern Recognition and Machine Learning. Springer: link
S. Shalev-Shwartz y S. Ben-David (2014). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press: pdf
T. Hastie, R. Tibshirani, y J. Friedman (2017). The Elements of Statistical Learning. Springer: pdf