PLANES DE ESTUDIO

Disciplina asociada:  

Escuela:  

Departamento Académico:   

Programas académicos:   

Requisitos:  

Equivalencia:  

Intención del curso en el contexto general del plan de estudios:  

Es el curso básico del Posgrado del área de Ciencias Computacionales, que tiene la intención que el alumno explique el alcance, las metas y las limitaciones del aprendizaje automático, así como las diferentes sub-disciplinas de este campo; describa las técnicas cubiertas por el curso, así como el dónde se ubican dentro de la estructura de la disciplina; compare críticamente, contraste y evalúe las técnicas de aprendizaje automático en términos de su aplicabilidad en diferentes problemas; dado un conjunto de datos y un problema, use adecuadamente un paquete computacional y aplique correctamente las técnicas cubiertas por el curso y resuelva el problema; aplicar un enfoque sistémico y sistemático para conducir investigación experimental y evaluar hipótesis científicas. El curso requiere conocimientos sólidos en programación y básicos en matemáticas discretas, cálculo, probabilidad y álgebra lineal. Como resultado del aprendizaje el estudiante obtendrá los elementos para analizar un conjunto de datos, construir modelos de aprendizaje computacional que le permitan resolver problemas, o evaluar hipótesis científicas.

Objetivo general de la Unidad de Formación:  

Técnica didáctica sugerida:  

Bibliografía sugerida:  

Perfil del Profesor:  

Idioma en que se imparte la materia:  

Discipline:  

School:   

Academic Department:   

Programs:   

Prerequisites:  

Equivalences:  

Course intention within the general study plan context:  

It is a graduate basic course of the area of  Computer Science, which aims for the student to explain the scope, the goals, and the limitations of Machine Learning; understanding the different sub-disciplines in this field; describing the techniques which are covered in this course, as well as recognizing the structure of the discipline where these techniques fit in; comparing critically, contrasting and evaluating the Machine Learning techniques in terms of their applicability in different problems; given a dataset and a problem, properly using a computational package and correctly applying the techniques covered by the course, and solving problems; applying a systemic and systematic approach for conducting experimental research and evaluating scientific hypotheses. The course requires strong knowledge of computer programming and basic knowledge of discrete mathematics, calculus, probabilities, and linear algebra. As a result of the learning process the student will get the elements for analyzing a dataset, building machine learning models to solve problems, or evaluating scientific hypotheses.

Course objective:  

Teaching and learning tecniques:  

Suggested Bibliography:  

Academic credentials required to teach the course:  

Language of Instruction: