Schaeffer / Docencia / Aprendizaje automático

Aprendizaje automático

Esta es la página de la unidad de aprendizaje Aprendizaje automático, impartida en enero-junio 2022 por Romeo Sánchez y Elisa Schaeffer para estudiantes de doctorado de PISIS de la FIME, UANL, los martes M5–V2 (de 10:20 a 13:40) en el salón 5313 (se usa Discord para participantes que se aislan por vulnerabilidad, contagio o exposición); no se le obliga a ningún estudiante a acudir de forma presencial.

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.

Repositorio GitHub con notas y tareas.

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

• NP: tarea omitida
• 5: excede lo que se esperaba
• 4: cumple con lo que se esperaba
• 3: débil en alcance y/o calidad
• 2: débil en ambos alcance y calidad
• 1: sin contribuciones o méritos aunque fue entregada
• 0: completamente inadecuado en alzance y calidad

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:

• 3: cumple con lo que se esperaba
• 2: débil en alcance y/o calidad
• 1: débil en ambos alcance y calidad
• 0: inadecuado en alzance y calidad

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

• A1–17: tareas semanales
• A18: proyecto individual

Repo	A1	A2	A3	A4	A5	A6	A7	A8	A9	A10	A11	A12	A13	A14	A15	A16	A17	A18	Total
M	5	5	5	5	5	5	4	5	5	5	5	5	5	5	5	3	4	14	95
U	5	5	5	5	5	5	5	5	5	5	5	5	5	5	5	3	4	14	96

Actualizada el 9 de junio del 2022.
URL: https://satuelisa.github.io/learning.html