Cronograma
| Clase | Temas | Responsables |
|---|---|---|
| 1 | Introducción: Nociones de Probabilidad y Teoría de Información | L. Rufiner |
| 2 | Clasificación estadística: aprendizaje supervisado paramétrico, no paramétrico y no supervisado. | C. Martínez |
| 3 | Análisis estadístico: PCA. | L. Di Persia |
| 4 | Análisis estadístico: ICA. | L. Di Persia |
| 5 | Aprendizaje clásico: Redes Neuronales Estáticas, Naive Bayes, K-Nearest Neighbors, K-means, Mixtures of Gaussians, Classifier Ensembles | D. Milone |
| 6 | Aprendizaje de datos secuenciales: Redes Neuronales Dinámicas | L. Rufiner |
| 7 | Aprendizaje de datos secuenciales: Modelos Ocultos de Markov | D. Milone |
| 8 | Aprendizaje basado en árboles | L. Rufiner |
| 9 | Aprendizaje basado en núcleos: Máquinas de vector soporte | G. Schlotthauer |
| 10 | Medidas de desempeño y técnicas de validación | L. Vignolo |
| 11 | Aprendizaje por refuerzo. Aprendizaje profundo. | G. Stegmayer / L. Rufiner |
| 12 y 13 | Aplicaciones de Aprendizaje Maquinal | Milone, Di Persia y Rufiner |
| 14 | Trabajos finales: presentación | Todos los Alumnos |
El cronograma completo con las fechas de los encuentros correspondientes al cursado 2018 se puede descargar de la página de inicio del sitio.
