Programa del Curso

Aprendizaje automático

Introducción a Machine Learning

    Aplicaciones del aprendizaje automático Aprendizaje supervisado versus aprendizaje no supervisado Algoritmos de aprendizaje automático Regresión Clasificación Agrupamiento Sistema de recomendación Detección de anomalías Reinforcement Learning

Regresión

    Regresión simple y múltiple Método de mínimos cuadrados Estimación de los coeficientes Evaluación de la exactitud de las estimaciones de los coeficientes Evaluación de la precisión del modelo Análisis posterior a la estimación Otras consideraciones en los modelos de regresión Predictores cualitativos Extensiones de los modelos lineales Problemas potenciales Compensación sesgo-varianza [ajuste insuficiente/sobreajuste] para modelos de regresión

Métodos de remuestreo

    Validación cruzada El enfoque del conjunto de validación Validación cruzada de Leave-One-Out Validación cruzada k-Fold Compensación de sesgo-varianza para k-fold El Bootstrap

Selección y regularización de modelos

    Selección de subconjuntos [Mejor selección de subconjuntos, selección paso a paso, elección del modelo óptimo] Métodos de Contracción / Regularización [Regresión de Cresta, Lazo y Red Elástica] Selección del parámetro de ajuste Métodos de reducción de dimensiones Regresión de componentes principales Mínimos cuadrados parciales

Clasificación

    Regresión logística La función de coste del modelo logístico Estimación de los coeficientes Hacer predicciones Odds Ratio Matrices de Evaluación de Desempeño [Sensibilidad/Especificidad/PPV/VPN, Precisión, curva ROC, etc.] Regresión logística múltiple Regresión logística para clases de respuesta >2 Regresión Logística Regularizada
Análisis discriminante lineal Uso del teorema de Bayes para la clasificación
  • Análisis discriminante lineal para p=1
  • Análisis lineal discriminante para p >1
  • Análisis discriminante cuadrático
  • K-Vecinos más cercanos
  • Clasificación con límites de decisión no lineales
  • Máquinas de vectores de soporte Objetivo de optimización
  • El clasificador de márgenes máximos
  • Núcleos
  • Clasificación de uno contra uno
  • Clasificación de uno contra todos
  • Comparación de métodos de clasificación
  • Introducción a Deep Learning
  • Estructura de ANN
  • Bioneuronas lógicas y neuronas artificiales Hipótesis no lineal Representación de modelos Ejemplos e intuiciones Función de transferencia/ Funciones de activación Clases típicas de arquitecturas de red
  • Avance de ANN.

    Estructuras de las redes de realimentación multicapa Algoritmo de propagación hacia atrás Propagación hacia atrás: entrenamiento y convergencia Aproximación funcional con retropropagación Cuestiones prácticas y de diseño del aprendizaje de la propagación hacia atrás

      Deep Learning

    Inteligencia Artificial y Deep Learning Regresión Softmax Aprendizaje autodidacta Redes profundas Demostraciones y aplicaciones

      Laboratorio:

    Introducción a R

      Introducción a R Comandos y bibliotecas básicas 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 de variables ficticias La validación cruzada y la función Bootstrap Métodos de selección de subconjuntos Penalización [Cresta, Lazo, Red elástica]

      Clasificación

    Regresión logística, LDA, QDA y KNN, Remuestreo y regularización Máquina de vectores de soporte Remuestreo y regularización

      Nota:

    En el caso de los algoritmos de aprendizaje automático, se utilizarán estudios de casos para discutir su aplicación, ventajas y problemas potenciales. El análisis de diferentes conjuntos de datos se realizará utilizando R

    Requerimientos

    Es deseable tener conocimientos básicos de conceptos estadísticos.

      21 horas
     

    Número de participantes


    Comienza

    Termina


    Dates are subject to availability and take place between 09:30 and 16:30.
    Los cursos de formación abiertos requieren más de 5 participantes.

    Testimonios (4)

    Cursos Relacionados

    Torch: Introducción a Máquina y Aprendizaje Profundo

      21 horas

    Categorías Relacionadas