Syllabus
Información de clases y ayudantías
| Día | Hora | Lugar | |
|---|---|---|---|
| Cátedra | Viernes | 14:40 - 17:15 | P407 |
Fechas importantes
- Agosto 8: Inicio de clases
- Agosto 22: Envío temas de proyectos
- Septiembre 4: Clases suspendidas
- Septiembre 19: Vacaciones de fiestas patrias
- Octubre 3: Entrega parcial de proyectos (escrito)
- Octubre 10: Semana sansana
- Noviembre 14: Entrega final de proyectos (escrito)
- Noviembre 21: Presentaciones estudiantes
- Noviembre 28: Presentaciones estudiantes
Objetivos
Al finalizar el semestre, será capaz de:
- Comprender los conceptos fundamentales detrás de los principales modelos de redes neuronales y deep learning.
- Resolver problemas de aprendizaje automático utilizando redes neuronales.
- Implementar y entrenar redes neuronales con herramientas de software populares como scikit-learn, PyTorch y Keras.
- Analizar e interpretar los resultados de modelos de redes neuronales.
- Comunicar los resultados de proyectos de aprendizaje automático tanto a audiencias técnicas como no técnicas.
- Aplicar buenas prácticas para la preparación de datos y la resolución de problemas en flujos de trabajo con redes neuronales.
Bibliografía
Aunque existen muchos recursos excelentes producidos por diversos investigadores en las últimas décadas, asignaremos lecturas de los siguientes libros:
- Pattern Recognition and Machine Learning, Christopher Bishop (2006).
Políticas del Curso
Integridad Académica
Se espera que los estudiantes actúen con honestidad e integridad. No mentir, hacer trampa ni plagiar en trabajos académicos o no académicos. Todo trabajo presentado debe ser propio, a menos que se permita expresamente la colaboración. Debe citar adecuadamente todas las fuentes utilizadas, incluyendo código tomado de recursos en línea. El material no citado o mal referenciado puede considerarse plagio.
Uso de Herramientas de Inteligencia Artificial (IA)
Dado que este curso se centra en la inteligencia artificial, el uso de herramientas y recursos de IA está permitido y se fomenta. Sin embargo, se debe explicitar cuándo y cómo se usan estas herramientas en las tareas y trabajos relacionados con el curso. Debe especificar qué contenidos y/o códigos generados con IA. Se espera total transparencia para mantener la integridad académica: no revelar el uso de IA puede considerarse una violación de las políticas del curso.
Colaboración
Salvo que expresamente se indique trabajo en grupo, todas las tareas deben realizarse de forma individual. Se permite la discusión general con compañeros, pero no compartir respuestas detalladas ni código. Para proyectos en equipo, debe colaborar únicamente dentro de su grupo.
Uso de código y recursos online
Puede consultar y utilizar recursos en línea. Todo código o material tomado de fuentes externas debe ser citado correctamente.
Entregas tardías
Dispone de un total de 7 días de retraso que puede utilizar a gusto a lo largo del semestre en cualquiera de las evaluaciones del curso, excepto la entrega del proyecto final. Los días de retraso le permiten entregar trabajos y tareas sin penalización. Retrasos superiores a 12 horas, se consideran como un día completo de retraso. Considere hacer uso de este beneficio en situaciones significativas o imprevistas. Si tiene problemas a largo plazo que afecten tu desempeño, se recomienda informar al profesor o jefe de carrera.
Recalificaciones
Las solicitudes de revisión deben hacerse dentro de la semana posterior a la devolución de la calificación. Solo se considerarán solicitudes fundamentadas en base a la rúbrica proporcionada. Toda la pregunta será revisada nuevamente, lo que puede implicar aumento o disminución de puntos.
Asistencia
Los estudiantes son responsables de asistir a clase; se espera una asistencia regular. Los estudiantes que asistan a más del 70% de las clases serán eximidos de rendir una prueba final al término del semestre.