Artboard 1 copy 7.png
Estadística no-paramétrica y redes neuronales convolucionales

​Objetivos

  1. Estudiar los fundamentos matemáticos necesarios para comprender con detalle los principales aspectos tanto de la estadística no-paramétrica como de CNN.

  2. Familiarizar al estudiante con las principales aplicaciones de la estadística no-paramétrica para aproximar distribuciones relacionadas con problemas reales.

  3. Invitar al estudiante al mundo de las aplicaciones y el uso adecuado de las redes neuronales convolucionales, las cuales son el state of the art de la clasificación para imágenes.

Temario

  1. Modelos no-paramétricos

    • Histogramas

    • Estimadores de densidad vía kernels

    • Uso en el modelo de Naïve Bayes

    • Comparación con estadística paramétrica

    • Regresión no-paramétrica

    • Comparación con el modelo paramétrico

  2. Tests no-paramétricos

    • Wilcoxon

    • Friedman

    • Kendall’s tao

    • Overfitting en tests no-paramétricos

  3. Modelos de redes neuronales convolucionales

    • El lenguaje de las redes neuronales

    • Perceptrón: la primera red neuronal

    • Consecuencias avanzadas

    • Convoluciones y su relación con Fourier

    • Tensores: interpretación geométrica

    • Algunas arquitecturas útiles

  4. Algoritmos de entrenamiento

    • Método del gradiente

    • Algortimo estocástico del gradiente

    • Retro-propagación

    • Regularización para redes neuronales

Contacto

CDMX, México.

  • Facebook icono social