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 deprobabilidad
1. La aleatoriedad y la independencia
2. Variables aleatorias y sus invariantes
3. El Método de Monte Carlo
4. Máxima verosimilitud y regresiones Bernoulli5. Las cadenas de Markov Page Rank
6. Metropolis Hastling
Módulo 2. Estadística e InferenciaBayesiana
1. Tests estadísticos
2. A/B & Thompson samplings3. Inferencia Causal
4. Regresiones Bayesianas
5. Redes Bayesianas
6. Optimización Bayesiana
Módulo 3. Álgebra Lineal
1. Matrices y sistemas de ecuaciones
2. Medidas de similitud de audios
3. Análisis de Componentes Principales PCA4. Latent Semantic Analysis y SVD
5. Eigen-descomposición y text-rank
6. Álgebra lineal numérica I
Módulo 4. Optimización y CálculoDiferencial
1. Programación lineal y optimización
2. La importancia de la convexidad
3. Support Vector Machines y Lagrange4. Gradient descend
5. Stochastic Gradient Descend
6. El algoritmo de Backpropagation