Temario del curso
Introducción
- Visión general del reconocimiento de patrones y del aprendizaje automático
- Aplicaciones clave en diversos campos
- Importancia del reconocimiento de patrones en la tecnología moderna
Teoría de probabilidades, selección de modelos, teoría de la decisión y teoría de la información
- Conceptos básicos de la teoría de probabilidades 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
- Visión general de las distribuciones de probabilidad más comunes
- Papel de las distribuciones en la modelación de datos
- Aplicaciones en el reconocimiento de patrones
Modelos lineales para regresión y clasificación
- Introducción a la regresión lineal
- Comprensión de la clasificación lineal
- Aplicaciones y limitaciones de los modelos lineales
Redes neuronales
- Fundamentos de las redes neuronales y el aprendizaje profundo
- Entrenamiento de redes neuronales para reconocimiento de patrones
- Ejemplos prácticos y estudios de caso
Métodos de kernel
- Introducción a los métodos de kernel en el reconocimiento de patrones
- Máquinas de vectores de soporte y otros modelos basados en kernel
- Aplicaciones en datos de alta dimensionalidad
Máquinas de kernel dispersas
- Comprensión de modelos dispersos en el reconocimiento de patrones
- Técnicas para la dispersión y regularización de modelos
- Aplicaciones prácticas en el análisis de datos
Modelos gráficos
- Visión 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 esperanza-maximización (EM)
- Aplicaciones en agrupamiento y estimación de densidad
Inferencia aproximada
- Técnicas para inferencia aproximada en modelos complejos
- Métodos variacionales y muestreo de Monte Carlo
- Aplicaciones en análisis de datos a gran escala
Métodos de muestreo
- Importancia del muestreo en modelos probabilísticos
- Técnicas de cadenas de Markov de Monte Carlo (MCMC)
- Aplicaciones en reconocimiento de patrones
Variables latentes continuas
- Comprensión de modelos de variables latentes continuas
- Aplicaciones en reducción de dimensionalidad y representación de datos
- Ejemplos prácticos y estudios de caso
Datos secuenciales
- Introducción a la modelación de datos secuenciales
- Modelos ocultos de Markov y técnicas relacionadas
- Aplicaciones en análisis de series de tiempo y reconocimiento de voz
Combinación de modelos
- Técnicas para combinar múltiples modelos
- Métodos de conjunto y boosting
- Aplicaciones para mejorar la precisión de los modelos
Resumen y próximos pasos
Requerimientos
- Comprensión de estadística
- Familiaridad con cálculo multivariado y álgebra lineal básica
- Alguna experiencia con probabilidades
Público objetivo
- Analistas de datos
- Estudiantes de doctorado, investigadores y profesionales del sector
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
