Algebra lineal, Optimización y Machine Learning

Docente responsable: Victoria Peterson

Carga horaria: 60 horas.

Carreras para la cual es optativa: Licenciatura en Matemática Aplicada, Ingeniería Industrial e Ingeniería Química.

Cuatrimestre en el que se brinda: Segundo cuatrimestre

Plantel docente: Victoria Peterson; Estanislao Claucich

Correlativas:

Licenciatura en Matemática Aplicada: Introducción a la Probabilidad:  Aprobada.

Ingeniería Industrial: Investigación Operativa I:  Aprobada; Probabilidad y Estadística:  Aprobada; Computación:  Aprobada.

Ingeniería Química: Informática:  Aprobada; Probabilidad y Estadística:  Aprobada.

Objetivos generales de la asignatura

Desde los comienzos de la disciplina, el machine learning ha hecho uso de formulaciones y algoritmos de optimización. Del mismo modo, los desarrollos dentro del machine learning han contribuido a la optimización, dando lugar a nuevas estrategias y métodos de optimización. En este sentido, la materia buscará que los alumno/as sean capaces de:
1. Comprender los principios teóricos, conceptos y métodos fundamentales de la optimización
2. Apreciar los conceptos de optimización para brindar solución computacional a los problemas de machine learning.
3. Aplicar estrategias, conceptos y métodos del machine learning y optimización para la resolución de problemas concretos
4. Utilizar software en lenguaje de programación Python para la implementación de los métodos de optimización y machine learning en la
resolución de problemas.
5. Incrementar la confianza en el propio razonamiento, la habilidad de reflexionar y analizar críticamente.
6. Reforzar estrategias de aprendizaje autónomo, de comunicación y de trabajo grupal.

Temas principales de la asignatura

Esta materia busca que los alumno/as sean capaces de:
1. Seleccionar un método de machine learning adecuado ante la resolución de un cierto problema.
2. Aplicar conceptos de calculo vectorial y algebra lineal en la formulación y resolución de problemas de optimización en machine learning.
3. Desarrollar modelos de machine learning de manera correcta, asegurando el éxito de su aplicación en escenarios reales.
4. Usar lenguaje específico del área.
5. Comprender dada una formulación de un modelo qué método de optimización debería aplicarse.
6. Desarrollar y/o mejorar las habilidades de programación de algoritmos de machine learning y optimización en lenguaje Python.

Tipo de clases a realizar durante el cursado

Teórico – Prácticas: 52 horas
Seminarios de los alumnos: 4 horas
Evaluación: 4 horas
Carga horaria total: 60 horas