Programa del Curso
Aprendizaje automático
Introducción a Machine Learning
-
Aplicaciones del aprendizaje automático
Aprendizaje supervisado versus aprendizaje no supervisado
Algoritmos de aprendizaje automático
Regresión
Clasificación
Agrupamiento
Sistema de recomendación
Detección de anomalías
Reinforcement Learning
Regresión
-
Regresión simple y múltiple
Método de mínimos cuadrados
Estimación de los coeficientes
Evaluación de la exactitud de las estimaciones de los coeficientes
Evaluación de la precisión del modelo
Análisis posterior a la estimación
Otras consideraciones en los modelos de regresión
Predictores cualitativos
Extensiones de los modelos lineales
Problemas potenciales
Compensación sesgo-varianza [ajuste insuficiente/sobreajuste] para modelos de regresión
Métodos de remuestreo
-
Validación cruzada
El enfoque del conjunto de validación
Validación cruzada de Leave-One-Out
Validación cruzada k-Fold
Compensación de sesgo-varianza para k-fold
El Bootstrap
Selección y regularización de modelos
-
Selección de subconjuntos [Mejor selección de subconjuntos, selección paso a paso, elección del modelo óptimo]
Métodos de Contracción / Regularización [Regresión de Cresta, Lazo y Red Elástica]
Selección del parámetro de ajuste
Métodos de reducción de dimensiones
Regresión de componentes principales
Mínimos cuadrados parciales
Clasificación
-
Regresión logística
La función de coste del modelo logístico
Estimación de los coeficientes
Hacer predicciones
Odds Ratio
Matrices de Evaluación de Desempeño
[Sensibilidad/Especificidad/PPV/VPN, Precisión, curva ROC, etc.]
Regresión logística múltiple
Regresión logística para clases de respuesta >2
Regresión Logística Regularizada
Avance de ANN.
Estructuras de las redes de realimentación multicapa Algoritmo de propagación hacia atrás Propagación hacia atrás: entrenamiento y convergencia Aproximación funcional con retropropagación Cuestiones prácticas y de diseño del aprendizaje de la propagación hacia atrás
-
Deep Learning
Inteligencia Artificial y Deep Learning Regresión Softmax Aprendizaje autodidacta Redes profundas Demostraciones y aplicaciones
-
Laboratorio:
Introducción a R
-
Introducción a R
Comandos y bibliotecas básicas
Manipulación de datos
Importación y exportación de datos
Resúmenes gráficos y numéricos
Funciones de escritura
Regresión
Regresión lineal simple y múltiple Términos de interacción Transformaciones no lineales Regresión de variables ficticias La validación cruzada y la función Bootstrap Métodos de selección de subconjuntos Penalización [Cresta, Lazo, Red elástica]
-
Clasificación
Regresión logística, LDA, QDA y KNN, Remuestreo y regularización Máquina de vectores de soporte Remuestreo y regularización
-
Nota:
En el caso de los algoritmos de aprendizaje automático, se utilizarán estudios de casos para discutir su aplicación, ventajas y problemas potenciales. El análisis de diferentes conjuntos de datos se realizará utilizando R
Requerimientos
Es deseable tener conocimientos básicos de conceptos estadísticos.
Testimonios (4)
Tuvimos una visión general sobre Machine Learning, Neural Networks, IA con ejemplos prácticos.
Catalin - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Traducción Automática
Último día con la IA
Ovidiu - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Traducción Automática
Los ejemplos que se recogieron, compartieron con nosotros y explicaron
Cristina - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Traducción Automática
Coverage and depth of topics