leomont / 20181.ml

2018/1 Machine Learning

2018 - Semestre I - Universidad Industrial de Santander

Regístrate aquí

Reference MOOCs

• EDX Machine Learning Fundamentals UCSanDiegoX: DSE220x 10 semanas
• UDACITY Google Deep Learning Course 7 lecciones

Entregas parciales reference MOOC

                   Curso EDX         Curso UDACITY
Entrega 1, Abr  6: Semanas 1,2,3     Lecciones 1,2
Entrega 2, Abr 27: Semanas 4,5,6     Lecciones 3,4,5
Entrega 3, May 27: Semanas 7,8,9,10  Lecciones 6,7,8

Mar09 - Registro primera calificación
Mar11 - Último día cancelación materias
May28-Jun06 Evaluaciones finales
Jun08 - Registro calificaciones finales

Instrucciones entregas parciales

• Las entregas se realizarán en el Dropbox compartido con cada alumno

• Cada entrega deberá de constar de:

  • un archivo en formato PDF llamado EDX_01.PDF o UDACITY_01.PDF según el curso que hayas escogido (edx_02.pdf para la entrega 2, etc.) con la evidencia de la realización de la parte correspondiente del MOOC (pantallazos, resúmenes, calificaciones, etc.)
  • un archivo en formato ZIP llamado EDX_01.ZIP o UDACITY_01.ZIP (edx_02.zip, etc.) con los materiales que tuviste que desarrollar durante las lecciones correspondientes a la entrega (código, binarios, docs, etc.)

• En cada entrega se valorará:

  • 50% COMPLETUD, si la entrega contiene todas las lecciones requeridas
  • 50% CLARIDAD, si el PDF describe claramente lo realizado complementando con explicación del estudiante los pantallazos y evidencia incluida en el mismo, y si el ZIP contiene los materiales de manera organizada (en directorios, READMEs, etc.)

Calificación del curso

Problemsets 1 2 3    15%
Quiz 1               10%
MOOC Entrega 1       25%
MOOC Entrega 2       25%
MOOC Entrega 3       25%

---

Programación original del curso

Máquina Virtual

Usaremos esta máquina virtual que tiene instalado un entorno Python Anaconda con Jupyter Notebooks disponibles en  localhost:8008/tree una vez que la máquina arranca.

Observa la configuración de la máquina

• Si tu máquina física tiene al menos 4GB de memoria configura la máquina virtual con 2GB de memoria
• Aunque casi no necesitarás un terminal, el interfaz de Jupyter Notebooks tiene un terminal para acceder a través del navegador. En cualquier caso, la máquina virtual tiene un servidor SSH en el puerto 2222 con user/user como usuario y pwd. Si tu máquina física es mac o linux usa ssh -p 2222 user@localhost para conectarte. Si es windows, usa putty
• Si compartes una carpeta entre la física y virtual asegúrate que el nombre cone el que se comparte sea share (aunque el nombre de la carpeta en la máquina física puede ser distinto)

Para montar la carpeta compartida ejecuta lo siguiente en un terminal y la carpeta aparecerá en /home/user/share:

sudo mount share

Si la máquina arranca en modo mantenimiento, edita el fichero /etc/fstab como root:

sudo nano /etc/fstab

y actualiza la linea con la definición de share para que quede así

share                                     /home/user/share vboxsf uid=1000,rw,auto,x-systemd.automount 0 1

Calificación

40% Problemsets
30% Quizes
30% Data analytics project

Contenidos

1. Mathematical optimization and symbolic computing
2. Linear Regression
3. Logistic Regression
4. Neural Networks
5. Regularization and performance evaluation
6. Kernel methods
7. Ensemble methods
8. Learning representations
9. Deep learning

Data analytics project

Deberás de abordar un problema de analítica de datos, 1) elegir dataset, 2) definir tarea, 3) implementar la analítica de datos. El resultado ha de ser un notebook ejecutable que contenga, preprocesado (latent semantics y/o transformaciones), varios algoritmos de clasificación o regresión, análisis de rendimiento y curvas de aprendizaje.

Hay muchas fuentes de datos y sitios de competiciones de machine learning en internet, entre ellas: kaggle, kdnudgets

Criterios de evaluación: 1) Complejidad de la tarea, 2) Compleción 3) Claridad del notebook

Programa y fechas

                   SESSION 1     SESSION 2     STUDENT DEADLINES
W05 Ene29-Feb02    INTRO         1.MATH
W06 Feb05-Feb09    2.LINREG      PSETS
W07 Feb12-Feb16    3.LOGREG      PSETS         
W08 Feb19-Feb23    PROJECT       PROJECT       Feb 25 PSETS 1 2 3
W09 Feb26-Mar02    QUIZPREP      QUIZ         Mar 04 PROJECT DATASET
W10 Mar05-Mar09    4.NEURAL      PSETS
W11 Mar12-Mar16    5.REGPE       PSETS
W12 Mar19-Mar23    PROJECT       PROJECT
W13 Mar26-Mar30    6.LATSEM      PSETS         Abr 01 PSETS 4 5 6
W14 Abr02-Abr06    QUIZPREP      QUIZ
W15 Abr09-Abr13    PROJECT       PROJECT
W16 Abr16-Abr20    7.KERNEL      PSETS
W17 Abr23-Abr27    8.ENSEMBL     PSETS
W18 Abr30-May04    9.CNN+RNN     PSETS         MAY 06 PSETS 7 8 9
W19 May07-May11    QUIZPREP      QUIZ
W20 May14-May18    PROJECT       PROJECT
W21 May21-May25    SEMINAR       SEMINAR       MAY 27 PROJECT FINAL


Mar09 - Registro primera calificación
Mar11 - Último día cancelación materias
May28-Jun06 Evaluaciones finales
Jun08 - Registro calificaciones finales