El estudiante debe estar interesado en aprender los detalles matemáticos detrás de los algoritmos y modelos de Machine learning con el objetivo de mejorar su comprensión sobre las ventajas, di!cultades o soluciones que ocurren en el trabajo de los científicos de datos.
Módulo 1. Fundamentos de probabilidad
1. La aleatoriedad y la independencia
2. Variables aleatorias y sus invariantes
3. El Método de Monte Carlo
4. Máxima verosimilitud y regresiones Bernoulli
5. Las cadenas de Markov Page Rank
6. Metropolis Hastling
Módulo 2. Álgebra Lineal
1. Matrices y sistemas de ecuaciones
2. Medidas de similitud de audios
3. Análisis de Componentes Principales PCA
4. Latent Semantic Analysis y SVD
5. Eigen-descomposición y text-rank
6. Álgebra lineal numérica I
Módulo 3. Estadística e inferencia bayesiana
1. Tests estadísticos
2. Inferencia Causal y priors conjugados
3. A/B testing & Thompson samplings
4. Regresiones bayesianas geolocalizadas
5. Redes bayesianas
6. Kriging y procesos gaussianos
Módulo 4. Optimización y Cálculo Diferencial
1. Programación lineal y optimización
2. Programación dinámica y Bellman
3. Gradiente descendente de Cauchy
4. Stochastic Gradient Descend y Adaptative SGD
5. El algoritmo de Backpropagation
6. Optimización bayesiana
Módulo 1. Fundamentos de probabilidad
1. La aleatoriedad y la independencia
2. Variables aleatorias y sus invariantes
3. El Método de Monte Carlo
4. Máxima verosimilitud y regresiones Bernoulli
5. Las cadenas de Markov Page Rank
6. Metropolis Hastling
Módulo 2. Álgebra Lineal
1. Matrices y sistemas de ecuaciones
2. Medidas de similitud de audios
3. Análisis de Componentes Principales PCA
4. Latent Semantic Analysis y SVD
5. Eigen-descomposición y text-rank
6. Álgebra lineal numérica I
Módulo 3. Estadística e inferencia bayesiana
1. Tests estadísticos
2. Inferencia Causal y priors conjugados
3. A/B testing & Thompson samplings
4. Regresiones bayesianas geolocalizadas
5. Redes bayesianas
6. Kriging y procesos gaussianos
Módulo 4. Optimización y Cálculo Diferencial
1. Programación lineal y optimización
2. Programación dinámica y Bellman
3. Gradiente descendente de Cauchy
4. Stochastic Gradient Descend y Adaptative SGD
5. El algoritmo de Backpropagation
6. Optimización bayesiana