Temario y referencias

Todas las notas y material del curso estarán en este repositorio.

Introducción al aprendizaje máquina
Regresión lineal múltiple y descenso en gradiente
Problemas de clasificación y regresión logística
Validación cruzada y métodos de remuestreo
Regularización y selección de modelos
Redes neuronales
Diagnóstico y mejora en problemas de aprendizaje supervisado.
Árboles y bosques aleatorios
Máquinas de soporte vectorial
Componentes principales y análisis de conglomerados

Evaluación

Tareas semanales (25%)
Examen parcial (30% práctico, 20% teórico)
Un examen final (25% práctico)

Software: R y Rstudio

R Sitio de R (CRAN)
Rstudio Interfaz gráfica para trabajar en R.
Recursos para aprender R

Referencias principales

An Introduction to Statistical Learning, James et al. (2014)
Curso de Machine Learning de Andrew Ng, Ng (2017)
Deep Learning, Goodfellow, Bengio, and Courville (2016)

Otras referencias

Pattern Recognition and Machine Learning, Bishop (2006)
The Elements of Statistical Learning, Hastie, Tibshirani y Friedman, Hastie, Tibshirani, and Friedman (2017)

References

James, Gareth, Daniela Witten, Trevor Hastie, and Robert Tibshirani. 2014. An Introduction to Statistical Learning: With Applications in R. Springer Publishing Company, Incorporated. http://www-bcf.usc.edu/~gareth/ISL/.

Ng, Andrew. 2017. “Machine Learning.” https://www.coursera.org/learn/machine-learning.

Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. MIT Press.

Bishop, Christopher M. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Secaucus, NJ, USA: Springer-Verlag New York, Inc.

Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. 2017. The Elements of Statistical Learning. Springer Series in Statistics. Springer New York Inc. http://web.stanford.edu/~hastie/ElemStatLearn/.

Aprendizaje de máquina