El Departamento de Obras Civiles tiene el agrado de invitar a sus estudiantes de pregrado y postgrado del Campus Santiago San Joaquín a participar en el Taller presencial de Introducción a Machine Learning y Deep Learning, una instancia formativa intensiva orientada a conocer los fundamentos, herramientas y aplicaciones prácticas del aprendizaje automático, con foco en problemas de ingeniería.
El taller se realizará los días jueves 24 y viernes 25 de abril, y estará compuesto por cuatro módulos que abarcan desde aspectos introductorios hasta el uso de algoritmos de clasificación, redes neuronales, optimización de modelos y análisis de componentes principales.
Programación
| Fecha | Horario | Módulo |
| Jueves 24 de Abril | 16:05 - 17:15 | I. Introducción |
| Jueves 24 de Abril | 17:30 - 18:40 | II. Machine Learning Supervisado y no supervisado |
| Viernes 25 de Abril | 9:40 - 10:50 | III. Fundamentos Deep Learning |
| Viernes 25 de Abril | 11:05 - 12:15 | IV. Machine Learning en la Práctica |
Relator:
Dr. Luis de la Fuente, investigador especializado en inteligencia artificial aplicada a la ingeniería, con experiencia en proyectos científicos y publicaciones internacionales. Actualmente colabora en iniciativas interdisciplinarias relacionadas con machine learning, visión computacional y modelamiento de datos.
Más información sobre su trayectoria en ResearchGate.
Inscripciones:
La actividad es gratuita y está dirigida a estudiantes del Departamento de Obras Civiles.
Para participar, solo debes completar el siguiente formulario de inscripción
Observaciones
- Quienes estén interesados en participar, deben tener nociones de programación e idealmente haber usado Phyton.
- La sala donde se realizará esta actividad depende de la cantidad de inscrpciones. Se informará oportunamente.
Temario
Módulo 1: Introducción
- Conceptos de Machine Learning
- Tipos: Supervisado, no supervisado, y por refuerzo
- Lenguaje de programación
- Entornos de trabajo: Jupyter lab, Google colab, GitHub
- Obtención y preparación de datos
Módulo 2: Machine Learning Supervisado y no supervisado:
- Regresión y Clasificación
- Regresión lineal y logística
- Árboles de decisión y ensamble
- Algoritmo vecinos cercanos
- Método probabilístico
- Support Vector Machine
- K-means
Módulo 3: Fundamentos Deep Learning
- Redes neuronales convolucionales (CNN)
- Redes neuronales recurrentes (RNN)
- Redes LSTM
Módulo 4
- PAC: Análisis de componentes principales
- Optimización de modelos: Hiperparámetros, Grid Search, Random Search
- Evaluación de modelos
- Caso práctico
