PBO: Aprendizaje de Máquina Avanzado
Maestría en Ciencia de Datos
Primer Bloque: Otoño
Primer Bloque: Otoño
Aprendizaje de Máquina Avanzado
Objetivos:
El objetivo es brindar al estudiante una sólida introducción a las técnicas de Aprendizaje de Máquina modernas: Deep Learning y Reinforcement Learning. Aprenderán las técnicas más usadas y conocerán las limitaciones y retos a los que se enfrenta el campo de aprendizaje de máquina.
El estudiante aprenderá redes convolucionales, redes recurrentes, redes LSTM, Policy Evaluation, Q-learning, Batch Reinforcement Learning, Monte Carlo Tree Search entre otros.
Al final de este curso el estudiante aprenderá sobre el campo de deep reinforcement learning, el cual combina ambas técnicas y es campo de investigación actual.
El objetivo es brindar al estudiante una sólida introducción a las técnicas de Aprendizaje de Máquina modernas: Deep Learning y Reinforcement Learning. Aprenderán las técnicas más usadas y conocerán las limitaciones y retos a los que se enfrenta el campo de aprendizaje de máquina.
El estudiante aprenderá redes convolucionales, redes recurrentes, redes LSTM, Policy Evaluation, Q-learning, Batch Reinforcement Learning, Monte Carlo Tree Search entre otros.
Al final de este curso el estudiante aprenderá sobre el campo de deep reinforcement learning, el cual combina ambas técnicas y es campo de investigación actual.
Temario:
- Introducción a Reinforcement Learning (RL)
- Procesos de Decisión de Markov (MDP): Mundos Tabulares
- Policy evaluation en RL: Mundos Tabulares
- Q-learning
- Policy search
- Exploración/Explotación
- Batch RL
- Monte Carlo Tree Search
- Introducción a Deep Learning
- Redes neuronales: Fundamentos
- Redes neuronales no profundas: paso a paso
- Redes neuronales produndas: paso a paso
- Redes neuronales adversariales: GANs
- Regularización, Inicialización, Optimización
- Hyper parameter tuning en Deep learning
- Redes convolucionales: CNN
- Redes secuenciales: RNN, LSTM
- Life-cycle de un proyecto de Deep Learning
- Deployment de Deep Learning
- Introducción a Deep Reinforcement Learning
