| Capítulo 1 |
Fundamentos de Machine Learning |
- Introducción al problema de aprendizaje: planteamiento del problema y ejemplos;
- Problemas de machine learning: clasificación, regresión y clustering;
- Conjuntos de entrenamiento, validación y testeo, y
- Overfitting, underfitting y maldición de la dimensión.
|
| Capítulo 2 |
Aprendizaje supervisado |
- Estimación de error y análisis de resultados: hold-out, cross-validation, matriz de confusión y curva ROC;
- Algoritmos no paramétricos: Naïve Bayes, k-nearest neighbors (kNN) y árboles de decisión;
- Algoritmos paramétricos: regresión lineal, regresión logística y clasificador sofmax;
- Algoritmos paramétricos: redes neuronales artificiales;
- Algoritmos paramétricos: support vector machines (SVM), y
- Introducción a deep learning: convolutional neural networks (CNN) y autoencoders.
|
| Capítulo 3 |
Aprendizaje no supervisado |
- Métricas para análisis de resultados de clustering;
- Algoritmos para reducción de dimensión: PCA y tSNE;
- Clustering: k-means, x-means
- Clustering: Self-organizing maps.
- Análisis de asociación (apriori, eclat, fp-growth, basket analysis)
|
| Capítulo 4 |
Aprendizaje por refuerzo |
- Procesos de decisión Markovianos;
- Exploración vs. Explotación, y
- Algoritmos de aprendizaje por refuerzo.
|
| Capítulo 5 |
Data Mining y Predicción |
- Fundamentos de data mining, KDD y predicción
- Metodologias de minería de datos: CRISP-DM,SEMMA y otros.
- Entendimiento del negocio y datos
- Preparación de datos
- Modelamiento de la técnica (prediction, clustering, outliers)
- Evaluación de las técnicas
- Despliegue
|
