Skip to content

Departamento de Matematica

Sections
Personal tools
You are here: Home » Enseñanza » Materias » Primer cuatrimestre 2025 » Fundamentos Matemáticos del Aprendizaje Produndo (L) - Aspectos Matemáticos del Aprendizaje Profundo (D)

Fundamentos Matemáticos del Aprendizaje Profundo

Primer cuatrimestre de 2025

Materia optativa Licenciatura y Doctorado en Ciencias Matemáticas, Licenciatura en Ciencia de Datos


Profesor - Horarios - Aulas

  • Profesor: Julián Fernández Bonder
  • Horarios: miércoles y viernes de 17 a 19 hs. Las clases comienzan el miércoles 19 de marzo.
  • Aulas: 1101 - Edificio 0+infinito.

Información

Para cursar la materia es necesario matricularse en el campus virtual de la Facultad e inscribirse en el sistema de inscripciones.

  • Puntaje: A confirmar.
  • Forma de aprobación: Entrega de ejercicios y examen final.
  • Correlatividades: Cálculo Avanzado (matemática) y Análisis Avanzado (datos). Es aconsejable cierto conocimiento de Probabilidad.

Programa de la materia

  • Parte I Introducción a las redes neuronales
    • Problemas introductorios
    • Funciones de activación
    • Funciones de costo
    • Algoritmos de minimización
    • Neuronas abstractas
    • Redes neuronales
  • Parte II Teoría analítica
    • Teoremas de aproximación
    • Aprendizaje con entradas unidimensionales
    • Aproximadores universales
    • Clasificación

Bibliografía

  • O. Cailin, Deep learning architectures - a mathematical approach, Springer Series in the Data Sciences, 2020
  • I. Goodfellow, Y. Bengio, A. Courville, Deep Learning (MIT Press, Cambridge, 2016), http://www.deeplearningbook.org
  • M. Mohri, A. Rostamizadeh, A. Talwalkar, Foundations of Machine Learning, 2nd edn. (MIT Press, Boston, 2018)
  • M. Nielsen, Neural Networks and Deep Learning (2017), http://www.neuralnetworksanddeeplearning.com
  • R. Rojas, Neural Networks a Systemic Introduction (Springer, Berlin, 1996)
  • S. Shalev-Shwartz, S. Ben-David, Understanding Machine Learning: From Theory to Algorithms (Cambridge University Press, Cambridge, 2014)

Prácticas

Las guías están disponibles acá: link

  • Práctica 1 - Problemas introductorios.
  • Práctica 2 - Funciones de activación.
  • Práctica 3 - Funciones de costo.
  • Práctica 4 - Algoritmos de minimización.
  • Práctica 5 - Neuronas abstractas.
  • Práctica 6 - Redes neuronales.
  • Práctica 7 - Teoremas de aproximación.
  • Práctica 8 - Aprendizaje con entradas unidimensionales.
  • Práctica 9 - Aproximadores universales.
  • Práctica 10 - Clasificación.

Examen Final

El examen final consistirá en la exposición de un trabajo que complemente alguno de los temas vistos en clase.

Created by jfbonder
Last modified 2025-03-17 12:15 PM
 
 

Powered by Plone