El temario de la materia incluye los cuatro pilares del autoML:

(a) Preparación de datos,

(b) Ingeniería de Features,

(c) Desarrollo de modelos y

(d) Evaluación de Modelos. 

E incluye practicas con populares sistemas de autoML como AutoWEKA, hyperopt-sklearn, Auto-sklearn, TPOT y Auto-Keras [6] que realizan optimizaciones combinadas entre diferentes preprocesados, clasificadores y selección de features e hiper-parámetros.

– Mariano Domínguez (UNC)

– He, X., Zhao, K., & Chu, X. (2020). Automl: A survey of the state-of-the-art.

– Maher, M., & Sakr, S. (2019). Smartml: A meta learning-based framework for automated selection and hyperparameter tuning for machine learning algorithms.

– Ono, J., Castelo, S., Lopez, R., Bertini, E., Freire, J., Silva, C. (2020) PipelineProfiler: A Visual Analytics Tool for the Exploration of AutoML Pipelines .

– Boulange, A. (2020). automl: Deep Learning with Metaheuristic.

– Matthias Feurer, Katharina Eggensperger, Stefan Falkner, Marius Lindauer and Frank Hutte (2020) Auto-Sklearn 2.0: The Next Generation.

– Kenneth O. Stanley, et al. (2019) Designing neural networks through neuroevolution.

– Thomas Elsken, Jan Hendrik Metzen, Frank Hutter. (2019) Neural Architecture Search: A Survey.

8 horas sincrónicas + 8 horas de apoyo.

Entrega y aprobación de 2 trabajos prácticos.