Cursos de Aprendizaje Automático y Aprendizaje Profundo

Introducción al aprendizaje automático

• Aplicaciones de aprendizaje automático
• Aprendizaje supervisado versus no supervisado
• Algoritmos de aprendizaje automático
  • Regresión
  • Clasificación
  • Agrupación
  • Sistema de recomendación
  • Detección de anomalías
  • Aprendizaje reforzado

Regresión

• Regresión simple y múltiple
  • Método menos cuadrado
  • Estimando los coeficientes
  • Evaluar la precisión de las estimaciones del coeficiente
  • Evaluar la precisión del modelo
  • Análisis de post-estimación
  • Otras consideraciones en los modelos de regresión
  • Predictores Cualitativos
  • Extensiones de los modelos lineales
  • Problemas potenciales
  • Variación sesgo-varianza [ajuste insuficiente / ajuste excesivo] para modelos de regresión

Métodos de remuestreo

• Validación cruzada
• El enfoque del conjunto de validación
• Cross-Validation Leave-One-Out
• Validación Cruzada k-Fold
• Bias-Variance Trade-Off para k-Fold
• El Bootstrap

Selección de modelos y regularización

• Selección del subconjunto [Selección del mejor subconjunto, Selección por pasos, Elección del modelo óptimo]
• Métodos de contracción / Regularización [Ridge Regression, Lasso & Elastic Net]
• Seleccionar el parámetro de ajuste
• Métodos de reducción de dimensiones
  • Regresión de componentes principales
  • Mínimos cuadrados parciales

Clasificación

• Regresión logística
  • La función de costo del Modelo Logístico
  • Estimando los coeficientes
  • Haciendo predicciones
  • Odds Ratio
  • Matrices de evaluación de desempeño
  • [Sensibilidad / Especificidad / PPV / NPV, precisión, curva ROC, etc.]
  • Regresión logística múltiple
  • Regresión logística para> 2 clases de respuesta
  • Regresión logística regularizada
• Análisis discriminante lineal
  • Usando el teorema de Bayes para la clasificación
  • Análisis discriminante lineal para p = 1
  • Análisis discriminante lineal para p> 1
• Análisis discriminante cuadrático
• K-Vecinos más cercanos
• Clasificación con límites de decisión no lineales
• Soporte Vector Machines
  • Objetivo de optimización
  • El clasificador de margen máximo
  • Núcleos
  • Clasificación One-Versus-One
  • Clasificación One-Versus-All
• Comparación de los métodos de clasificación

Introducción al Aprendizaje Profundo

Estructura ANN

• Neuronas biológicas y neuronas artificiales
• Hipótesis no lineal
• Representación del modelo
• Ejemplos e intuiciones
• Función de transferencia / Funciones de activación
• Clases típicas de arquitecturas de red

Avance ANN.

• Estructuras de redes de feed feed multicapa
• Algoritmo de propagación de la espalda
• Back propagation - entrenamiento y convergencia
• Aproximación funcional con propagación hacia atrás
• Problemas prácticos y de diseño del aprendizaje de propagación de retorno

Aprendizaje profundo

• Inteligencia Artificial y Aprendizaje Profundo
• Regresión de Softmax
• Aprendizaje autodidacta
• Redes profundas
• Demos y Aplicaciones

Laboratorio:

Comenzando con R

• Introducción a R
• Comandos básicos y bibliotecas
• Manipulación de datos
• Importación y exportación de datos
• Resúmenes gráficos y numéricos
• Funciones de escritura

Regresión

• Regresión lineal simple y múltiple
• Términos de interacción
• Transformaciones no lineales
• Regresión variable ficticia
• Cross-Validation y Bootstrap
• Métodos de selección de subconjuntos
• Penalización [Ridge, Lasso, Elastic Net]

Clasificación

• Regresión logística, LDA, QDA y KNN,
• Remuestreo y Regularización
• Máquinas de vectores soporte
• Remuestreo y Regularización

Nota:

• Para los algoritmos de ML, se usarán estudios de casos para analizar su aplicación, ventajas y posibles problemas.
• El análisis de diferentes conjuntos de datos se realizará utilizando R