Skip to main content

Machine Learning, Maths & Ethics: Hands-on

Enrollment is Closed

Descripción general

¿Le gustaría saber qué es el aprendizaje automático, pero no sabe por dónde empezar? ¿Le gustaría aprender sobre los desafíos sociales del aprendizaje automático? ¡Entonces, este curso es para ti!

Este curso práctico de aprendizaje automático, matemáticas y ética le enseña los fundamentos del aprendizaje automático de una manera intuitiva. Se centra en gran medida en ejercicios y ejemplos de sus aplicaciones. El curso le permite desarrollar habilidades prácticas para crear algoritmos y estimular el pensamiento crítico sobre la ética de los modelos de aprendizaje automático.

Si bien los campos de la informática, la inteligencia artificial y el aprendizaje automático están cambiando el mundo, la verdad es que las niñas y las mujeres siguen estando infrarrepresentadas en estos campos. Preparamos este curso en línea, siguiendo las pautas del proyecto FOSTWOM Erasmus+ para desarrollar MOOC de acuerdo con una perspectiva de género en las narrativas, en el lenguaje y en el uso de imágenes. Por lo tanto, esperamos que este MOOC sea una oportunidad de aprendizaje significativa para capacitar a los jóvenes, especialmente a las mujeres jóvenes, para que sigan estas áreas de especialización.

¿Vas a perder la oportunidad de aprender sobre una tecnología que está transformando el mundo?

Público objetivo

Los jóvenes, especialmente las mujeres jóvenes, tienen curiosidad por saber cómo funcionan los algoritmos, qué modelos se pueden construir con la ayuda del aprendizaje automático, sus ventajas y limitaciones.

Objetivos principales

  • Ser capaz de explicar qué es el aprendizaje automático y qué no lo es;
  • Ser capaz de explicar la diferencia entre el aprendizaje supervisado y los otros tipos de aprendizaje automático;
  • Recorrido autónomo por los ejercicios resueltos, identificando los cuatro pasos del proceso estándar;
  • Consulte y utilice sus propios tutoriales, libros de cocina y otros recursos adicionales;
  • Enumerar las bibliotecas de Python utilizadas a lo largo del curso y sus funciones;
  • Ser capaz de interpretar resúmenes estadísticos de diagramas de caja, gráficos de dispersión e histogramas, y utilizarlos para preparar los datos;
  • Ser capaz de explicar qué significan «promedio» y «propagación» en ejemplos de conjuntos de datos particulares;
  • Realizar multiplicaciones matriciales simples: utilizando productos internos y productos externos;
  • Ser capaz de explicar cómo se utilizan las descomposiciones de valores singulares para comprimir matrices;
  • Dé ejemplos de los desafíos de crear algoritmos de aprendizaje automático justos.

Requisitos previos

Este curso en línea no tiene requisitos previos especiales. Asume que los participantes han asistido a la escuela secundaria.

Para participar en este curso en línea, no necesita tener ninguna experiencia previa en programación. Va a utilizar un software de acceso gratuito: Google Colab, que le permite escribir y ejecutar Python en su navegador.

Además, todos los contenidos del MOOC son gratuitos, completamente en línea y están en inglés. Algunos contenidos se traducen al portugués.

Los materiales del curso permanecerán disponibles para todos los usuarios inscritos después del final de la edición actual, para que puedan volver al contenido más adelante.

Contenido

Aprendizaje automático, matemáticas y ética: Hands-on se estructura en cinco módulos:

  1. Bienvenida e introducción
  2. Aprender de la experiencia: aprendizaje automático y aprendizaje supervisado
  3. Cómo vamos a trabajar en modelos de aprendizaje supervisado
  4. Preparación de datos, exploración de datos y estadísticas
  5. Modelos de formación, evaluación de modelos y matrices
  6. Retos éticos de los algoritmos de aprendizaje automático

A lo largo de estos temas, aprenderá:

  • Qué es el aprendizaje automático;
  • Los diferentes tipos de aprendizaje automático y aprendizaje supervisado con más detalle;
  • El proceso estándar de creación de modelos predictivos;
  • Los cuatro pasos del proceso estándar: preparación de datos, exploración de datos, capacitación de modelos, evaluación de modelos;
  • Algunas matemáticas fundamentales necesarias para entender el aprendizaje automático: estadística y álgebra lineal;
  • Cómo programar en Python con Google Colab;
  • Cómo ser consciente de los desafíos de crear algoritmos de aprendizaje automático justos.

Estrategias pedagógicas

Cómo va a trabajar en los modelos de aprendizaje supervisado Los cuatro pasos del proceso estándar de construcción de modelos que consideramos son: preparación de datos, exploración de datos, capacitación de modelos, evaluación de modelos.

Recursos prácticos para cada paso:

  • 2 videos dedicados a cada paso del proceso estándar: un video con una explicación general de las principales acciones que se deben realizar en ese paso; otro con una explicación detallada en un ejemplo particular (ejercicio resuelto) que ilustra el paso dado del proceso estándar;
  • Tutoriales: documentos de apoyo con explicaciones detalladas de los conceptos dados en los videos. Además, los tutoriales también tienen más ejemplos que le permiten ver cómo se aplican los conceptos en la práctica. Los tutoriales se pueden leer de principio a fin o se pueden utilizar como fuente de referencia siempre que necesite saber más sobre algo;
  • Libros de cocina: Colecciones de pequeños programas que resuelven situaciones típicas. En general, los libros de cocina son útiles cuando quieres resolver un problema rutinario y necesitas ejemplos de código para facilitar tu trabajo.

Recursos adicionales para notebooks:

Además, para cada paso del proceso estándar de construcción de modelos, puede encontrar desafíos para verificar sus habilidades adquiridas y el nivel de autonomía con el contenido en cuestión. Se presentan en forma de ejercicios parcialmente resueltos y ejercicios abiertos y no cuentan para la calificación. Esto es para lo que se denomina aprendizaje autorregulado. Le animamos a utilizar el foro de debate del MOOC para publicar sus preguntas y comentarios.

Cómo va a ver los modelos de aprendizaje supervisado Tendrá el desafío de reflexionar sobre los fundamentos matemáticos, la historia del desarrollo de algoritmos y los desafíos actuales de los modelos de aprendizaje supervisado.

Métodos de evaluación

Al final de los Temas 1, 2 y 5 hay cuestionarios calificados con problemas de opción múltiple, casillas de verificación, entrada numérica, etc. En los Temas 3 y 4, hay dos cuestionarios en cada uno con problemas similares. Cada cuestionario representa por igual la calificación final. Los participantes con una puntuación final igual o superior al 60% recibirán un certificado de finalización (sin referencia de la calificación final).

Personal del curso

Pedro Marcelino

Pedro Marcelino

Cofundador de TreeTree2.

Doctorado en «Un nuevo enfoque para la gestión del mantenimiento de infraestructuras de transporte mediante el aprendizaje automático» en el Instituto Superior Técnico.

Máster en Ingeniería Civil, rama Estructuras, en el Instituto Superior Técnico.

Ana Moura Santos

Ana Moura Santos

Obtuvo su diploma en Ciencias Físico-Matemáticas en la Universidad de Moscú, y la maestría y el doctorado en Matemáticas Aplicadas del Técnico, donde comenzó a enseñar en 1987, primero en el Departamento de Física y, a partir de 1993, en el departamento de Matemáticas.

El área de su investigación es la Teoría de Operadores y el Análisis Funcional con aplicaciones, y también trabaja en temas pedagógicos, es decir, el desarrollo de recursos de aprendizaje electrónico para proyectos en Matemáticas.

Pasa la mayor parte de su tiempo libre en actividades relacionadas con el baile, actualmente practica sevillanas y flamenco.

Paul Arandjelovic

Paul Arandjelovic

Copropietario de Nexgen Business.

Licenciado en Ciencias de la Computación e Ingeniería por el Instituto Superior Técnico.

Paul es un gran defensor del autoaprendizaje y disfruta leer y aprender cosas nuevas en su tiempo libre.

Es un individuo que siempre busca superar los límites en cualquier tarea en la que trabaja.

Proyecto patrocinado por

Sponsors
  1. Course Number

    flashnpiqueras
  2. Classes Start

  3. Classes End

  4. Estimated Effort

    40 horas en total

La Universitat Politècnica de València utiliza cookies propias y de terceros por motivos de seguridad, y también para mejorar la experiencia del usuario y conocer sus hábitos de navegación. Recuerda que, al utilizar nuestros servicios, admites nuestro aviso legal y nuestra política de cookies. Entendemos que, si continuas navegando, es porque apruebas estos términos.