• Home
• Prácticas
• Teóricas
• Docentes
• Temas

Facultad de Ciencias Exactas y Naturales
Universidad Nacional del Nordeste

Programa

1. Introducción general
2. Introducción python, numpy
3. Estadística
4. Modelos lineales: Regresión y clasificación
5. Clustering. PCA. Reducción dimensionalidad
6. Arboles y bosques
7. Kernels y SVMs.
8. Redes neuronales. Backpropagation. Entrenamiento.
9. Redes convolucionales. Grafos
10. Redes recurrentes: LSTM y GRU
11. Aprendizaje profundo. Residuales. UNET. Modelos generativos: GANs y VAEs
12. Transformers. Modelos de lenguaje

Programa del curso

• Equipos de hasta 2 estudiantes.


• Se deben seleccionar dos problemas de la lista provista.


• Se debe entregar código e informe de hasta 3 hojas (Desarrollo y analisis). Presentar el problema el día de defensa.

Proyectos finales

Optimización y aplicación de SVMs en la clasificación de datos biomédicos

1. El conjunto de datos "Heart Disease UCI" se enfoca en la clasificación de pacientes en función de la presencia o ausencia de enfermedades cardíacas. Contiene una variedad de características clínicas y biomédicas que se utilizan para predecir si un paciente tiene una enfermedad cardíaca. Este conjunto de datos es útil para aplicaciones de diagnóstico y pronóstico de enfermedades cardíacas. Acceder al conjunto de datos "Heart Disease UCI" a través del siguiente enlace: Base de datos - G-drive
2. Preprocesar el conjunto de datos (ej. eliminar muestras con valores faltantes, y escalar/normalizar las variables de entrada)
3. Realizar un análisis exploratorio de los datos (ej. calcular la matriz de correlación para identificar las variables más importantes, verificar que las clases estén balanceadas)
4. Empleando el conjunto de entrenamiento, utilizar la función GridSearchCV para encontrar el mejor conjunto de hiperparámetros para el modelo de SVM. Ajustar los siguientes hiperparámetros: C, kernel, gamma, degree
5. Evalúa el rendimiento del modelo con los mejores hiperparámetros en el conjunto de prueba.
6. Calcula la matriz de confusión para el conjunto de entrenamiento y de prueba.

Clasificación de tormentas a partir de la base de datos CIKM.

1. Realice un código para la lectura de la base de datos a partir de imágenes PNG.
2. Realice una reducción de la dimensionalidad a partir de usar secuencias de longitud variada de los distintos eventos. Compare las tecnicas de PCA, T-NSE y UMAP.
3. A partir de la representación en baja dimensionalidad realice un clustering de los tipos de tormentas utilizando K-MEANS y HDBSCAN. Compare.
4. Realice un análisis de las características de cada cluster.

Arboles y bosques aleatorios aplicados a monitoreo de Parkinsons

1. Definir el pipeline [metodología] que utilizará para experimentar en la construcción y comprensión de los modelos a implementar
2. Bajar la base de datos Parkisons Telemonitoring
Base de datos - UCI
3. Construcción, experimentación y análisis de modelos
- Construir 2 modelos de árboles de decisión y 2 modelos de bosques aleatorios.
- En cada uno de los modelos [1 fila de la tabla] experimentar con diferentes valores de hiperparámetros, según la técnica de ML utilizada. Ejecutar el código con diferentes configuraciones y observar los valores de la(s) métrica(s) seleccionadas
- Analizar los resultados, Construir una tabla [cada modelo representado en 1 fila de la tabla], Indicar: i) valores de hiperparámetros modificados en columnas correspondientes. ii) valores de métricas seleccionadas para apoyar la toma de decisiones.
- Proponer el modelo más adecuado. Especificar el criterio sobre el cual basa su decisión

Redes convolucionales aplicadas a caras

1. Definir el pipeline [metodología] que utilizará para experimentar en la construcción y comprensión de los modelos, basados en redes convolucionales con arquitecturas ALEXNET a implementar
2. Bajar la base de datos Face Images
Base de datos - UCI
3. Construcción, experimentación y análisis de modelos
- Construir 2 modelos de árboles de decisión y 2 modelos de bosques aleatorios.
- En cada uno de los modelos [1 fila de la tabla] experimentar con diferentes valores de hiperparámetros, según la técnica de ML utilizada. Ejecutar el código con diferentes configuraciones y observar los valores de la(s) métrica(s) seleccionadas.
- Analizar los resultados, Construir una tabla [cada modelo representado en 1 fila de la tabla], Indicar: i) valores de hiperparámetros modificados en columnas correspondientes. ii) valores de métricas seleccionadas para apoyar la toma de decisiones.
- Proponer el modelo más adecuado. Especificar el criterio sobre el cual basa su decisión

Identificación de nubes de tormentas a partir de imágenes del satélite LandSat

1. Baje los datos correspondientes que estan disponibles en la plataforma kaggle:
Base de datos - Kaggle
2. Realice un chequeo y primer analisis de la base de datos.
3. Desarrolle una arquitectura UNET, utilizando de base el codigo del práctico Modulo 9.
4. Baje los datos correspondientes que estan disponibles en la plataforma kaggle:
5. Entrene la red para la segmentación de las imágenes y la detección de las nubes.
3.1 Analice que función de costo sería la mas conviente para el problema.
3.2 Compare la peformance de la convolución transpuesta con la transformación bilineal en el upscaling.

6. Analizar los tamaños y cantidades de nubes encontrados en las imágenes.

Clasificación de abstracts de publicaciones científicas.

1. Cargue la base de datos y haga un primer análisis general de los abstracts.
2. Realice un embedding de los textos a un espacio vectorial. Propuestas: puede usar skip-gram/word2vec o BERT para realizar esto (un desafío mayor pero que también factible seria el uso de Llama).
3. Realice una reducción de dimensionalidad a través de PCA, T-NSE o UMAP.
4. Utilice metodos de clusterización para dividir los abstracts por tópicos. Puede comparar las performances de por ejemplo K-Means con HDBSCAN
5. Con tf-idf puede determinar de que esta hablando cada grupo de clusters.