Contenidos

Los contenidos se organizan según la semana del semestre en que nos encontremos, y según la semana que se destina para su estudio. Los contenidos se subirán en paquetes de una o varias semanas seguidas, pero para una semana dada, solo es necesario estudiar los contenidos de dicha semana, y no las semanas posteriores incluidas en el paquete.

Los contenidos se pondrán en práctica mediante actividades (formativas o sumativas). El contenido de las actividades es acumulativo, así que la materia vista en semanas anteriores también puede entrar en las actividades posteriores, pero tendrán foco sobre solo uno de los contenidos semanales.

La semana 0 corresponde a la primera semana de clases, en la cual no habrá una actividad de contenidos, sino que una introducción al formato del curso. La carpeta semana 0 de todas formas contiene material de estudio que se asumirá conocido y se aplicará durante todo el curso, y específicamente se evaluará en la primera tarea del curso (T0), en lugar de en una actividad.

La numeración de semanas que siguen, respeta el orden temporal del calendario académico, por lo que la semana 9 es saltada debido a la Semana de Receso a nivel UC, mientras que la semana 10 se dejará como repaso con actividades/contenido por definir.

La siguiente tabla muestra la correspondencia de actividades y los contenidos semanales:

Actividad	Tipo	Semana de contenido	Contenido
-	-	Semana 0	Introducción al curso
AF1	Formativa	Semana 1	Estructuras de datos built-ins
AF2	Formativa	Semana 2	Programación orientada a objetos I
AS1	Sumativa	Semana 3	Programación orientada a objetos II
-	-	Semana 4	Excepciones
-	-	Semana 5	-
AS2	Sumativa	Semana 6	Threading
-	-	Semana 7	Interfaces gráficas I
AS3	Sumativa	Semana 8	Interfaces gráficas II
-	-	Semana 9	I/O y Serialización
AF3	Formativa	Semana 10	Networking
-	-	Semana 11	Estructuras nodales I
AS4	Formativa	Semana 12	Estructuras nodales II
AF4	-	Semana 13	Iterables
-	-	Semana 14	Material bonus

Si tienes dudas sobre el contenido puedes abrir una issue aquí.

Preguntas frecuentes

Yo abro los notebooks, hago cambios para ver como funcionan, y a la semana siguiente al hacer git pull me sale un error que dice "Your local changes to the following files would be overwritten by merge" ¿Qué puedo hacer?
1. Siempre puedes clonar el repositorio otra vez, pero no es la idea. Lo que debes hacer es guardar tus cambios en alguna parte, hacer pull, y luego volver a aplicar tus cambios. Para eso coloca los siguientes comandos:
```
git stash     # Guarda los cambios hechos en otra parte. Desaparecen del working directory.
git pull      # El pull que queríamos hacer en un principio.
git stash pop # Regresa los cambios hechos por ti al working directory.
```

Material del curso IIC2233 Programación Avanzada 📚

Related tags

Overview

Contenidos

Preguntas frecuentes

Owner

IIC2233 @ UC

A Momentumized, Adaptive, Dual Averaged Gradient Method for Stochastic Optimization

:hot_pepper: R²SQL: "Dynamic Hybrid Relation Network for Cross-Domain Context-Dependent Semantic Parsing." (AAAI 2021)

PyTorch module to use OpenFace's nn4.small2.v1.t7 model

Implementation of the paper: "SinGAN: Learning a Generative Model from a Single Natural Image"

Setup and customize deep learning environment in seconds.

Implementation of CSRL from the AAAI2022 paper: Constraint Sampling Reinforcement Learning: Incorporating Expertise For Faster Learning

Semi-automated OpenVINO benchmark_app with variable parameters

Motion planning algorithms commonly used on autonomous vehicles. (path planning + path tracking)

PyTorch implementation of Soft-DTW: a Differentiable Loss Function for Time-Series in CUDA

Official repository for "PAIR: Planning and Iterative Refinement in Pre-trained Transformers for Long Text Generation"

State-of-the-art language models can match human performance on many tasks

This repository contains FEDOT - an open-source framework for automated modeling and machine learning (AutoML)

Code for "The Box Size Confidence Bias Harms Your Object Detector"

A3C LSTM Atari with Pytorch plus A3G design

Differentiable scientific computing library

Locally Most Powerful Bayesian Test for Out-of-Distribution Detection using Deep Generative Models

The authors' implementation of Unsupervised Adversarial Learning of 3D Human Pose from 2D Joint Locations

Research into Forex price prediction from price history using Deep Sequence Modeling with Stacked LSTMs.

Code for T-Few from "Few-Shot Parameter-Efficient Fine-Tuning is Better and Cheaper than In-Context Learning"

dualFace: Two-Stage Drawing Guidance for Freehand Portrait Sketching (CVMJ)