Maestría en Ciencia de Datos
Segundo 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.

Temario: 

  1. Introducción a Reinforcement Learning (RL)
  2. Procesos de Decisión de Markov (MDP): Mundos Tabulares
  3. Policy evaluation en RL: Mundos Tabulares
  4. Q-learning
  5. Policy search
  6. Exploración/Explotación
  7. Batch RL
  8. Monte Carlo Tree Search
  9. Introducción a Deep Learning
  10. Redes neuronales: Fundamentos
  11. Redes neuronales no profundas: paso a paso
  12. Redes neuronales produndas: paso a paso
  13. Redes neuronales adversariales: GANs
  14. Regularización, Inicialización, Optimización
  15. Hyper parameter tuning en Deep learning
  16. Redes convolucionales: CNN
  17. Redes secuenciales: RNN, LSTM
  18. Life-cycle de un proyecto de Deep Learning
  19. Deployment de Deep Learning
  20. Introducción a Deep Reinforcement Learning



El programa de la Maestría en Ciencia de Datos es una iniciativa del ITAM para satisfacer la creciente demanda nacional e internacional de profesionistas con conocimientos sólidos en el modelado a partir de datos (en especial grandes datos) para ayudar a la toma de decisiones estratégicas.