Capítulo 1 |
Fundamentos de machine learning |
- Introducción a machine learning;
- Problemas de clasificación, regresión y clustering;
- Conjuntos de entrenamiento, validación y testeo (hold-out), y
- Overfitting, underfitting y maldición de la dimensionalidad.
|
Capítulo 2 |
Programación Matemática para el machine learning |
- Álgebra lineal: tensores para la manipulación de datos;
- Cálculo diferencial numérico: autodiferenciación;
- Probabilidades: Probabilidad conjunta, condicional, Teorema de Bayes, PDF, MDF, y
- Estimación de error y análisis de desempeño: exactitud, precisión, sensibilidad, validación cruzada, matriz de confusión y curvas ROC.
|
Capítulo 3 |
Algoritmos de aprendizaje supervisados estadísticos |
- Naïve Bayes, k-nearest neighbors (kNN) y árboles de decisión;
- Regresión lineal, regresión logística y clasificador sofmax;
- Support vector machines (SVM).
|
Capítulo 4 |
Algoritmos de aprendizaje supervisados neuronales |
- Redes neuronales feed-forward;
- Redes neuronales convolucionales;
- Redes neuronales recurrentes;
- Mecanismos de atención, y
- Transformers.
|
Capítulo 5 |
Aprendizaje no supervisado |
- Clustering: k-means, Mapas autorganizados (SOM);
- Métodos de estimación y maximización EM y MLE;
- Reducción de la dimensionalidad: PCA, LDA y Autoencoders;
- Modelos de Mesclas Gausianas, y
- Market basket analysis.
|
Capítulo 6 |
Aprendizaje por refuerzo |
- Procesos de decisión Markovianos: Cadenas de Markov y HMM;
- Exploración vs. Explotación, y
- Algoritmos de aprendizaje por refuerzo.
|