Aprendizaje automático

Esta es la página de la unidad de aprendizaje Aprendizaje automático, impartida en agosto-diciembre 2021 por Elisa Schaeffer para estudiantes de doctorado de PISIS de la FIME, UANL, los miércoles M5–V2 (de 10:20 a 13:40) en el salón 5310 (se usa Discord para participantes a distancia por contingencia; no se le obliga a ningún estudiante a acudir de forma presencial como indica la UANL).

Contenido del curso

Bibliografía principal

Trevor Hastie, Robert Tibshirani y Jerome Friedman: The Elements of Statistical Learning — Data Mining, Inference, and Prediction, DOI 10.1007/978-0-387-84858-7.

Temario

Los semestres de posgrado consisten en veinte semanas de clase. En las primeras 18 semanas se realiza la lectura previa de un capítulo del libro principal de texto por semana, para ser discutido en la sesión; en la penúltima semana, se presentan los proyectos finales (los temas se determinan en la primera sesión según los intereses de investigación de los participantes) y en la última semana se revisan los portafolios de evidencia.

Las tareas consisten en aplicar las técnicas discutidas en el capítulo al tema de proyecto. Se entregan como carpetas semanales con códigos con un README.md (utilicen el markdown de GitHub) explicando lo realizado y los resultados obtenidos. El proyecto final combina varios de estos elementos.

Cada tarea se entrega el día anterior a la clase siguiente antes del mediodía. El proyecto se revisa semanalmente con el mismo horario y se califica la penúltima semana de clases al presentarlo. Todas las entregas de las tareas son a través de GitHub y el reporte del proyecto final se prepara en LaTeX o en la plantilla de Elsevier o en la de Springer (se entrega el PDF a través de Discord).

Calificación

Son 85 puntos de tareas (17 entregas de 5 puntos) y 15 puntos de proyecto. Las tareas se califican en la escala

y para el proyecto, son cinco rubros a evaluar
  1. Variedad de técnicas de aprendizaje automático empleadas
  2. Cobertura y validez de la experimentación
  3. Claridad y relevancia de los resultados computacionales
  4. Calidad de visualización científica
  5. Calidad de redacción científica
con la escala:

No existen actividades adicionales tipo segunda oportunidad ni extensiones a las fechas de entrega. Repetir en tareas futuras errores ya indicados por los profesores en las revisiones de las tareas anteriores resultará en una reducción de puntos.

Resultados

Repo A1 A2 A3 A4 A5 A6 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 Total
Actualizada el 20 de julio del 2021.
URL: http://elisa.dyndns-web.com/~elisa/teaching/sys/apraut/