Temario del curso
Introducción
- Información general sobre el reconocimiento de patrones y el aprendizaje automático
- Aplicaciones clave en diversos campos
- Importancia del reconocimiento de patrones en la tecnología moderna
Teoría de la Probabilidad, Selección de Modelos, Teoría de la Decisión y de la Información
- Fundamentos de la teoría de la probabilidad en el reconocimiento de patrones
- Conceptos de selección y evaluación de modelos
- Teoría de la decisión y sus aplicaciones
- Fundamentos de la teoría de la información
Distribuciones de probabilidad
- Descripción general de las distribuciones de probabilidad comunes
- Papel de las distribuciones en el modelado de datos
- Aplicaciones en el reconocimiento de patrones
Modelos lineales para regresión y clasificación
- Introducción a la regresión lineal
- Descripción de la clasificación lineal
- Aplicaciones y limitaciones de los modelos lineales
Neural Networks
- Conceptos básicos de redes neuronales y aprendizaje profundo
- Entrenamiento de redes neuronales para el reconocimiento de patrones
- Ejemplos prácticos y estudios de casos
Métodos del kernel
- Introducción a los métodos del kernel en el reconocimiento de patrones
- Compatibilidad con máquinas vectoriales y otros modelos basados en kernel
- Aplicaciones en datos de alta dimensión
Máquinas de kernel dispersas
- Descripción de los modelos dispersos en el reconocimiento de patrones
- Técnicas para la dispersión y regularización de modelos
- Aplicaciones prácticas en el análisis de datos
Modelos gráficos
- Descripción general de los modelos gráficos en el aprendizaje automático
- Redes bayesianas y campos aleatorios de Markov
- Inferencia y aprendizaje en modelos gráficos
Modelos de mezcla y EM
- Introducción a los modelos de mezcla
- Algoritmo de maximización de expectativas (EM)
- Aplicaciones en clustering y estimación de densidad
Inferencia aproximada
- Técnicas de inferencia aproximada en modelos complejos
- Métodos variacionales y muestreo de Monte Carlo
- Aplicaciones en el análisis de datos a gran escala
Métodos de muestreo
- Importancia del muestreo en modelos probabilísticos
- Técnicas de Markov Chain Monte Carlo (MCMC)
- Aplicaciones en el reconocimiento de patrones
Variables latentes continuas
- Descripción de los modelos de variables latentes continuas
- Aplicaciones en reducción de dimensionalidad y representación de datos
- Ejemplos prácticos y estudios de casos
Datos secuenciales
- Introducción al modelado de datos secuenciales
- Modelos ocultos de Markov y técnicas relacionadas
- Aplicaciones en análisis de series temporales y reconocimiento de voz
Combinación de modelos
- Técnicas para combinar varios modelos
- Métodos de ensamble y potenciación
- Aplicaciones en la mejora de la precisión del modelo
Resumen y próximos pasos
Requerimientos
- Comprensión de la estadística
- Familiaridad con el cálculo multivariante y el álgebra lineal básica
- Cierta experiencia con probabilidades
Audiencia
- Analistas de datos
- Estudiantes de doctorado, investigadores y profesionales
Testimonios (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
Sentí que estábamos avanzando a buen ritmo con información directamente relevante (es decir, sin material de relleno)
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Introduction to the use of neural networks
Traducción Automática
