Curso: Introducción al Machine Learning

Dirigido a: Estudiantes de la Facultad de Física de la Universidad Autónoma de Zacatecas
(UAZ).

Requisitos previos
● Conocimientos básicos de programación (preferentemente en Python).
● Bases de álgebra lineal, cálculo y estadística.

 

Descripción
El curso tiene como objetivo introducir a los alumnos en los fundamentos teóricos y
prácticos del Machine Learning. Se explorarán los principales modelos del Machine
Learning clásico, así como conceptos y arquitecturas de Deep Learning.
A lo largo del curso se analizará el funcionamiento matemático de los algoritmos, su
proceso de entrenamiento y validación, y sus aplicaciones en áreas de la física, la ciencia
de datos y la investigación científica.

En la primera parte del curso se abordarán modelos básicos para el análisis de datos estructurados, incluyendo regresiones, clasificación y clustering. En la segunda mitad, se introducirá el Deep Learning con un enfoque práctico en el procesamiento de imágenes, grafos, y texto, incluyendo el estudio de arquitecturas tipo GPT (Generative Pre-trained ransformer).

Se buscará que los estudiantes comprendan tanto el marco conceptual como la implementación práctica mediante ejemplos y ejercicios…

 

Objetivos de aprendizaje
Al finalizar el curso, los estudiantes serán capaces de:

1. 1. Comprender los fundamentos del aprendizaje automático y el aprendizaje profundo.
   2. Implementar modelos básicos de Deep Learning en Python.
   3. Reconocer aplicaciones del Deep Learning en problemas de física e investigación
      científica.
   4. Desarrollar pensamiento crítico sobre el uso y limitaciones de estas tecnologías.

Temario

Parte I: Machine Learning clásico

1. 1. Introducción al Machine Learning
      ○ Conceptos básicos, tipos de aprendizaje.
      ○ Trade-off entre bias y varianza.
   2. Manejo y preprocesamiento de datos
      ○ Limpieza, normalización y división de conjuntos de datos
      ○ Programación orientada a objetos.
   3. Regresión lineal y no lineal
      ○ Función de costo y optimización (Gradiente descendente).
   4. Regularización
      ○ Ridge, Lasso y control del sobreajuste.
   5. Clasificación y entropía
      ○ Regresión logística, entropía cruzada, métricas de desempeño.
   6. KNN y Árboles de decisión
      ○ Métodos no paramétricos y su interpretación.
   7. Ensamble de modelos
      ○ Bagging, Boosting y Random Forest.
   8. XGBoost
      ○ Conceptos y aplicación práctica.Clustering
      ○ K-means, clustering jerárquico y reducción de dimensionalidad.

1.  

Parte II: Deep Learning

1. 1. Introducción al Deep Learning

2. 2. Redes neuronales y perceptrón
      ○ Arquitectura básica y función de activación.
   3. Backpropagation
      ○ Derivación y entrenamiento de redes neuronales.
   4. Redes Neuronales Recurrentes (RNN)
      ○ Procesamiento de secuencias y series temporales.
   5. Redes Convolucionales (CNN)
      ○ Procesamiento de imágenes y detección de patrones espaciales.
   6. Graph Neural Networks (GNN)
      ○ Representación y aprendizaje en datos basados en grafos.
   7. Fundamentos de LLM y GPT
      ● Concepto de Transformer, self-attention y embeddings.
      ● Pre-entrenamiento, fine-tuning y generación de texto.

2.