Temario

Este curso trata sobre diversas técnicas de análisis de datos, en su mayoría diseñadas para escalar a datos grandes. El enfoque del curso se concentra más en el entendimiento y aplicación de los algoritmos y los métodos, y menos en las herramientas para implementarlos.

  1. Análisis de conjuntos frecuentes
    • Algoritmo a-priori
    • Market basket analysis
  2. Búsqueda de elementos similares
    • Minhashing para documentos
    • Locality Sensitive Hashing (LSH), joins aproximados
  3. Sistemas de recomendación 1
    • Recomendación por contenido y filtros colaborativos
    • Factorización de matrices y dimensiones latentes
  4. Reducción de dimensionalidad: DVS
    • Descomposición en valores singulares
    • Componentes principales
  5. Sistemas de recomendación 2
    • Métodos basados en similitud
    • Mínimos cuadrados alternados
    • Descenso en gradiente estocástico
    • Retroalimentación implícita
  6. Recuperación de información
    • Índices invertidos
    • Modelo de espacio vectorial
    • Normalización y similitud
    • Indexado semántico latente
  7. Análisis de redes 1
    • Medidas de centralidad y pagerank
  8. Análisis de redes 2
    • Clustering y comunidades
  9. Modelos de lenguaje 1
    • N-gramas y conteos
    • Aplicaciones
  10. Modelos de lenguaje 2
    • Inmersiones de palabras
    • Modelos básicos de redes neuronales
  11. Aplicaciones de modelos de lenguaje
    • Corrección de ortografía, reconocimiento de idiomas
    • Clasificación de textos
  12. Métodos generales de clustering

  • Las notas del curso están R, y en algunos casos usamos python o línea de comandos. Puedes usar python también para hacer tareas y ejercicios.

  • Nuestro texto básico es (Leskovec, Rajaraman, and Ullman 2014). Referencias básicas adicionales son (Jurafsky and Martin 2000) (para procesamiento de lenguaje natural), y sparklyr para utlizar la interfaz de R a Spark.

Evaluación

  • Tareas semanales (30%)
  • Examen teórico parcial (35%)
  • Trabajo final (35%)

Referencias

Jurafsky, Daniel, and James H. Martin. 2000. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. 1st ed. Upper Saddle River, NJ, USA: Prentice Hall PTR.
Leskovec, Jure, Anand Rajaraman, and Jeffrey David Ullman. 2014. Mining of Massive Datasets. 2nd ed. New York, NY, USA: Cambridge University Press. http://www.mmds.org.