Aprendizaje Autodirigido - Hacia Máquinas que Aprenden de Forma Autónoma

Resumen

Programa de estudio

• Introducción al Aprendizaje Auto-Supervisado
Panorama de los Paradigmas del Aprendizaje Automático
El Papel del Aprendizaje Auto-Supervisado en la IA
Beneficios y Desafíos de Reducir los Datos Etiquetados
• Conceptos Fundamentales del Aprendizaje Auto-Supervisado
Tareas de Pretexto y Objetivos Proxi
Principios de Aprendizaje Contrastivo
Métodos Basados en Clustering
• Algoritmos y Arquitecturas Clave
SimCLR y Codificación Predictiva Contrastiva (CPC)
BYOL (Bootstrap Your Own Latent)
CLIP (Preentrenamiento Contrastivo Lenguaje–Imagen)
• Técnicas de Aumento y Transformación de Datos
Importancia en el Aprendizaje Auto-Supervisado
Estrategias y Pautas Comunes
Evaluación de la Efectividad del Aumento
• Aplicaciones en Diferentes Dominios
Procesamiento de Lenguaje Natural
Visión por Computadora
Robótica y Sistemas Autónomos
• Métricas de Evaluación y Comparativas
Métricas Comunes en el Aprendizaje Auto-Supervisado
Conjuntos de Datos y Tareas de Referencia
Aprendizaje por Transferencia y Adaptación de Dominio
• Temas y Tendencias Avanzadas
Integración con Aprendizaje No Supervisado y Semi-Supervisado
Avances en Aprendizaje de Representaciones
Consideraciones Éticas y Sesgo de Datos
• Implementación Práctica y Herramientas
Marcos y Bibliotecas (por ejemplo, PyTorch, TensorFlow)
Diseño de Experimentos y Ajuste de Modelos
Estudios de Caso y Proyectos Prácticos
• Direcciones Futuras en el Aprendizaje Auto-Supervisado
Fronteras de Investigación y Técnicas Emergentes
Implicaciones para el Aprendizaje Automático Autónomo
Aplicaciones e Innovaciones Industriales
• Revisión del Curso y Proyecto Final
Síntesis de los Conceptos Aprendidos
Presentaciones de Proyectos y Revisión por Pares
Retroalimentación y Sugerencias de Lectura Futura

---

Asignaturas

Charlas de Conferencia