Aprendizaje Máquina
Temario y referencias
Todas las notas y material del curso estarán en este repositorio.
- Introducción al aprendizaje máquina
- Métodos locales y estructurados. Ingeniería de variables de entrada.
- Principios de Regularización
- Problemas de clasificación, métricas y evaluación
- Métodos de remuestreo y validación cruzada
- Redes neuronales
- Árboles, bosques aleatorios y boosting
- Diagnóstico y mejora en problemas de aprendizaje supervisado
- Reducción de dimensionalidad: Embeddings, descomposición en valores singulares, componentes principales
- Análisis de conglomerados
Evaluación
- Tareas semanales (20%) para discutir en clase, compartidas en el repositorio y en nuestro espacio de trabajo de Posit Cloud.
- Examen parcial (40% práctico), con una componente oral.
- Un examen final (40% práctico), con una componente oral.
Material
Cada semestre las notas cambian, en algunas partes considerablemente. Las de este semestre están en este repositorio, incluyendo ejemplos, ejercicios y tareas.
Referencias principales
- An Introduction to Statistical Learning, James et al. (2014)
- Deep Learning, Goodfellow, Bengio, y Courville (2016)
- Tidy Modeling with R, Kuhn y Silge (2022)
Otras referencias
- Pattern Recognition and Machine Learning, Bishop (2006)
- The Elements of Statistical Learning, Hastie, Tibshirani, y Friedman (2017)
- Predicción conforme
Software
Para hacer las tareas y exámenes pueden usar cualquier lenguaje o flujo de trabajo que les convenga (R o Python, por ejemplo) - el único requisito esté basado en código y no point-and-click. En lo posible utilizamos librerías especializadas que se pueden utilizar desde varias plataformas (keras, por ejemplo).