Facultad de Ingeniería

TÓPICOS DE ESPECIALIZACIÓN

I.- IDENTIFICACIÓN

Nombre : APRENDIZAJE DE MÁQUINAS

Código : —
Tipo de Ac vidad : Teórico / Laboratorio
Modalidad : Presencial
Horas pedagógicas directas : 4
Horas cronológicas directas : 3
Créditos UNAB : 12
Créditos SCT : 5
Requisitos : -
Periodo : Segundo semestre

II.- DESCRIPCIÓN DE LA ASIGNATURA

El curso de aprendizaje de máquinas consiste en el estudio de métodos computacionales de la in-

teligencia ar cial induc va para lograr el aprendizaje de patrones a par r de los datos. Los méto-
dos del aprendizaje de máquinas permiten generan modelos que resuelven problemas complejos,
los cuales son capaces de adaptarse a situaciones nuevas. En términos prác cos, en este curso se
diseñan e implementan soluciones de so ware basadas en aprendizaje de máquinas.

Esta asignatura pertenece a la línea de inves gación de Ciencia de Datos declarada en el per l de
egreso, la cual está enmarcada en el ámbito de acción de la inves gación teórico o aplicada. Los
contenidos de este curso abarcan los algoritmos de aprendizaje clásico, algoritmos de aprendizaje
profundo, y técnicas complementarias. Este curso ene como requisito deseable el curso de Fun-
damentos de Ciencia de Datos. La metodología de enseñanza se basa en clases teóricas, así como
en ac vidades de laboratorio en el marco de un proyecto de inves gación.

III.- RESULTADOS DE APRENDIZAJE

Esta asignatura contribuye al desarrollo de los siguientes resultados de aprendizaje:

RA2: Desarrollar modelos para el an lisis de datos que permitan apoyar la toma de decisiones in-
formada a problemas complejos en las organizaciones en que se inserta, con enfoque co.

IV.- APRENDIZAJES ESPERADOS Y CONTENIDOS

1
ti
ti
ti
fi
ti
á
ft
ti
ti
ti
ti
ti
ti
é
ti
fi
 AE7: Preparar un conjunto de da- UNIDAD TEMÁTICA 1: Introducción al aprendizaje de
tos para la fase de procesamiento máquinas
mediante diferentes t cnicas.
AE9: Desarrollar modelos estad s -
cos que puedan ser usados en ta- UNIDAD TEMÁTICA 2: Algoritmos clásicos de aprendizaje
rea de an lisis y/o predicci n con- de máquinas. Entre los algoritmos a revisar se enen:
siderando intervalos de con anza. - Regresión lineal
- Regresión logís ca
- Máquinas de soporte vectorial
- Redes Neuronales
- Algoritmos de clustering
- Reducción de dimensionalidad
- Evaluación de modelos
AE9: Desarrollar modelos estad s - UNIDAD TEMÁTICA 3: Redes neuronales convoluciona-
cos que puedan ser usados en ta- les. Entre los algoritmos a revisar se enen:
rea de an lisis y/o predicci n con- - Redes neuronales convolucionales clásicas
siderando intervalos de con anza. - Modelos de visión ar cial.
AE10: Evaluar los modelos resul-
tantes cuan ta vamente, y cualita- UNIDAD TEMÁTICA 4: Redes neuronales orientadas a
vamente con un enfoque co. datos secuenciales. Entre los algoritmos a revisar se e-
nen:
- Redes LSTM
- Redes basadas en atención.

AE10: Evaluar los modelos resul- UNIDAD TEMÁTICA 5: Modelos causales

tantes cuan ta vamente, y cualita-
vamente con un enfoque co. - Introducción a la Causalidad
AE12: Reconocer diversas t cnicas - Inferencia Causal
de an lisis de datos para apoyar la - Descubrimiento Causal
toma de decisiones informada.

V.- METODOLOGÍAS

Las metodologías de enseñanza aprendizaje que el programa contempla corresponden a las si-
guientes estrategias metodológicas:

- Método Exposi vo Centrado en el/la Estudiante (MECE)

- Aprendizaje Basado en Inves gación.
- Técnicas de Trabajo Grupal

VI.- EVALUACIÓN

Se podrán contemplar las siguientes ac vidades evalua vas, que ponderarán el 100% de la cali ca-
ción de evaluación:

2
ti
ti
á
á
á
ti
ti
ti
ti
ti
ti
ti
é
fi
ó
ó
é
é
é
fi
fi
ti
ti
ti
í
í
t
t
ti
ti
ti
ti
ti
fi
 RESULTADO DE APRENDI- APRENDIZAJE ESPE- EVALUACIÓN INSTRUMENTO
ZAJE RADO y ponderación
RA2: Desarrollar modelos - Ver debajo. Evaluación de
para el an lisis de datos proyecto de in-
que permitan apoyar la ves gación
toma de decisiones infor- - Presentaciones
mada a problemas comple- de papers
jos en las organizaciones en
que se inserta, con enfo-
que co.

Nota de curso=0.7*Nota_Proyecto+0.3*Nota_Papers
Nota_Proyecto: Ver detalle en documento de proyectos.
Nota_Papers=0.8*nota promedio de presentaciones de papers+0.2*nota promedio de discusión
de papers globales.

La nota de discusión se basará en respuesta a preguntas de Profesor/a. Siguiendo siguiente Escala

de cali cación (máx. 7, mín. 1):
! 7 puntos: intervención muy completa y per nente, conecta con el paper y aporta a la
discusión.
! 4 puntos: intervención aceptable, menciona aspectos relevantes pero con poco
desarrollo o conexión parcial.
! 1 punto: intervención mínima o muy super cial, poco aporte a la discusión. Evidencia
de no lectura de paper.

*Se considerará la mejor par cipación de alumno/a.

La cali cación mínima para aprobar cada asignatura o ac vidad curricular será de 4,0 en la escala
de 1,0 a 7,0, según exigencia establecida en reglamento interno de programa.

VII.- BIBLIOGRAFÍA

Bibliogra a Básica
! Alpaydin, E. (2020). Introduc on to machine learning. MIT press.
! Ian J. Goodfellow, Yoshua Bengio & Aaron Courville. (2016). Deep Learning. Cambridge,
MA, USA.
! Murphy, K. P. (2022). Probabilis c machine learning: an introduc on. MIT press.
! Molak, A. (2023). Causal Inference and Discovery in Python – Unlock the secrets of
modern causal machine learning with DoWhy, EconML, PyTorch and more. Packt Pu-
blishing Ltd. UK.

Bibliogra a Recomendada (complementaria)

! G ron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: con-
cepts, tools, and techniques to build intelligent systems. Sebastopol, CA: O'Reilly Me-
dia.
! Bishop, Christopher M. (2006). Pa ern recogni on and machine learning. New
York :Springer.
! Russell, S. & Norvig, P. (2020). Ar cial Intelligence: A Modern Approach. Cuarta Edi-
ción.
! Chernozhukov, V. & Hansen, C. & Kallus, N. & Spindler, M. & Syrgkanis, V. (2024): Ap-
plied Causal Inference Powered by ML and AI. [Link]; arXiv:2403.02467.

3
é
ti
é
ti
fi
fi
fí
fí
á
ti
ti
ti
ti
fi
tt
fi
ti
ti
ti
ti
 4. Clase a clase (Calendario)1

N°
Se- Fecha Temario Unidad
sión

1 1 5.08 Introducción Unidad 1: Introducción

Unidad 2: Aprendizaje de má-

2 3 12.08 Regresión Lineal
quinas -1
3 5 19.08 Regresión Logis ca
4 6 26.08 SVM

5 7 2.09 Redes MLP

Unidad 3: Aprendizaje de má-

6 9 9.09 Redes convolucionales
quinas -2

7 11 16.09 Modelos basados en atención

8 13 22.09 Presentación 1 de Proyectos

9 15 30.09 Análisis de datos

1
17 7.10 Tema por decidir
0
1
19 14.10 Semana de Consolidación
1
1 Unidad 4: Aprendizaje de má-
21 21.10 Modelos secuenciales
2 quinas -3
1
23 28.10 Presentación 2 de Proyectos
3
1
25 4.11 Introducción a la causalidad
4
1
27 11.11 Inferencia causal
5
1
29 18.11 Descubrimiento causal
6
1
31 25.11 Presentación Final (3) de Proyectos
7

1 Hasta la úl ma sesión de acuerdo a la asignatura, si es semestral, anual o trimestral.

4
ti
ti