Objetivos

​

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

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.

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

​

​

Temario

​

​

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

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

Árboles de decisión (bases de datos relacionales)

Interpretación geométrica y definición formal

El concepto de entropía

Algoritmos de entrenamiento

Random Forests

Regresiones logísticas (procesamiento del lenguaje)

El modelo logístico

Algoritmos de entrenamiento

Tests estadísticos

Regularización

Fundamentos de Machine Learning

Redes convolucionales (procesamiento de imágenes)

El concepto de tensor

Ideas detrás de la convolución

Algunas arquitecturas para el procesamiento de imágenes

Back-propagation