Artboard 1 copy 7.png
Fundamentos de Machine Learning

​Objetivos

  1. Estudiar los fundamentos matemáticos y estadísticos que permitan comprender los detalles y las sutilezas de algunos modelos comúnmente utilizados en Machine Learning.

  2. Familiarizar al estudiante con el análisis formal de las aplicaciones de Machine Learning a problemas concretos, de tal modo que al final del curso sea capaz de identificar las características que determinan un modelo exitoso.

  3. Desarrollar en el alumno una sólida intuición y robusta formación técnica que le permita acercarse con confianza a la literatura sobre Machine Learning.

Temario

  1. Perceptrón para la clasificación (primera red neuronal)

    • Espacios euclidianos y producto punto

    • Separación lineal

    • El algoritmo del Perceptrón

    • Caso no-separable linealmente y expresividad de las redes

    • neuronales

    • Regularización el concepto de margen

  2. Regresión lineal para forecasting (caso inyectivo)

    • Espacios de probabilidad y variables aleatorias

    • Independencia estadística

    • Distribuciones Gaussianas y de Laplace

    • Método del gradiente y optimización

    • Teorema de Bayes e interpretación bayesiana de la regresión

    • Ridge y Lasso

  3. Árboles de decisión (bases de datos relacionales)

    • Interpretación geométrica y definición formal

    • El concepto de entropía

    • Algoritmos de entrenamiento

    • Random Forests

  4. Regresiones logísticas (procesamiento del lenguaje)

    • El modelo logístico

    • Algoritmos de entrenamiento

    • Tests estadísticos

    • Regularización

    • Fundamentos de Machine Learning

  5. Redes convolucionales (procesamiento de imágenes)

    • El concepto de tensor

    • Ideas detrás de la convolución

    • Algunas arquitecturas para el procesamiento de imágenes

  6. Back-propagation

Contacto

CDMX, México.

  • Facebook icono social