Este curso va más allá de los conceptos básicos de ML estadístico para analizar el aprendizaje de big data a través de Deep Learning aplicado a imágenes y texto, pero también analiza enfoques complementarios que pueden ayudar con las tareas de predicción cuando los datos son insuficientes. Estos enfoques se basan en modelos que representan el conocimiento común y pueden generarse de arriba hacia abajo (por ejemplo, modelos semánticos) o de abajo hacia arriba (por ejemplo, modelos de lenguaje, gráficos de conocimiento).
El curso comienza con la explicación del tradeoff entre sesgo/precisión y la selección de modelo/característica, después de lo cual repasa rápidamente algunos métodos básicos de aprendizaje supervisado y no supervisado, incluido el aprendizaje en línea. El siguiente bloque analiza los grafos de conocimiento, las diferentes formas de construirlos y presenta algunas tareas de razonamiento que los hacen útiles en una variedad de aplicaciones de IA para guiar los resultados, sugerir relaciones o refinar el conocimiento existente. El último bloque introduce el aprendizaje profundo, especialmente dirigido a la visión artificial y las tareas de procesamiento del lenguaje natural. El curso concluye con ejemplos de cómo usar conjuntamente estas tecnologías, junto con la IA simbólica de arriba hacia abajo, para mejorar la predicción cuando los datos no son suficientes o los problemas involucran cuestiones de sentido común y causalidad que la inducción de abajo hacia arriba no está preparada para manejar directamente. Algunos de estos ejemplos reflejan problemas prácticos a los que nos enfrentamos en un proyecto europeo sobre patrimonio cultural (San Jorge en bicicleta) que está finalizando dentro de unos meses.
Machine learning estadístico: evaluación y selección de modelos. Selección de features.Algoritmos básicos de machine learning para problemas supervisados y no supervisados. Aprendizaje online. Knowledge graphs: cuándo son más útiles, construyendo KGs con métodos de lógica neuronal versus simbólica, ejemplos básicos de razonamiento sobre KGs.
Métodos básicos de Deep learning para imágenes y texto. Transformers. Casos de uso prácticos.
Se sugiere:
Conocimientos de programación en Python.
Conocimiento de estadística.
An Introduction to Statistical Learning with Applications in R, Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani. Springer, (2022).
Knowledge Graphs: Fundamentals, Techniques, and Applications, Craig A. Knoblock, Mayank Kejriwal and Pedro Szekely. MIT Press, (2021).
Natural Language Processing with Python: Analyzing Text with the Natural Language, Steven Bird, Ewan Klein, Edward Loper. O'Reilly Media, Inc., (2009).
Practical Deep Learning: A Python-Based Introduction, Ronald Kneusel. No Starch Press, (2021).
Desarrollado por el Departamento de Computación, FCEyN, UBA