Taller en línea sobre Fundamentos de Razonamiento Bayesiano
y Máquinas de Aprendizaje
Les compartimos la invitación al Taller en línea sobre Fundamentos de Razonamiento Bayesiano y Máquinas de Aprendizaje, el cual se realizará a través de Zoom del 23 de septiembre al 13 de diciembre de 2024, y será impartido por el Dr. Isaac Pérez Castillo, investigador visitante en el ICF.
Objetivos:
El razonamiento bayesiano y las máquinas de aprendizaje son herramientas poderosas que transforman la forma en que tomamos decisiones en múltiples campos, desde la publicidad hasta la medicina y la economía. Su capacidad para analizar datos complejos y mejorar la precisión en la predicción los convierte en elementos esenciales para innovar y optimizar procesos en cualquier industria.
¡Descubre su potencial!
Requerimientos mínimos:
Este taller está diseñado para estudiantes con un conocimiento básico en matemáticas, específicamente en cálculo y álgebra lineal a nivel de licenciatura. No es necesario tener formación formal en ciencias de la computación o estadística, aunque es útil estar familiarizado con conceptos de probabilidad, cálculo y álgebra lineal. Se recomienda tener conocimientos básicos de programación en Python.
El taller es adecuado para estudiantes de diversas disciplinas, como ciencias de la computación, ingeniería, estadística aplicada, física y bioinformática, entre otras, que deseen explorar el fascinante mundo de los métodos probabilísticos en el aprendizaje automático.
El taller tiene una duración de 12 semanas. Las clases se impartirán en línea a través de ZOOM, los lunes, miércoles y viernes de 2:00 pm a 3:30 pm.
El curso se impartirá del 23 de septiembre al 13 de diciembre del 2024.
Temario:
El taller consta de tres partes:
Parte I: Inferencia en modelos probabilísticos.
En esta parte veremos razonamiento probabilístico, conceptos básicos de grafos, redes bayesianas.
Parte II: Aprendizaje en modelos probabilísticos
En esta segunda parte del taller nos centraremos en métodos estadísticos para máquinas de aprendizaje, aprendiendo como inferencia, aprendiendo con variables ocultas, selección bayesiana de modelos.
Parte III: Máquinas de aprendizaje
Finalmente, en esta última parte nos centraremos en modelos bayesianos lineales, modelos mixtos, modelos lineales latentes, y modelos de capacidad latentes.
En cada parte veremos los fundamentos teóricos, acompañados con ejemplos, ejercicios y prácticas en Python.
Este taller corresponde al programa de Educación Continua organizado por la REDEC UNAM y el Instituto de Ciencias Físicas, UNAM, Campus Morelos.
Contacto:
Dr. Isaac Pérez Castillo
isaac@icf.unam.mx
