Objetivos

​

Estudiar los fundamentos matemáticos necesarios para comprender con detalle los principales aspectos tanto de la estadística no-paramétrica como de CNN.

Familiarizar al estudiante con las principales aplicaciones de la estadística no-paramétrica para aproximar distribuciones relacionadas con problemas reales.

Invitar al estudiante al mundo de las aplicaciones y el uso adecuado de las redes neuronales convolucionales, las cuales son el state of the art de la clasificación para imágenes.

​

​

Temario

​

Modelos no-paramétricos

Histogramas

Estimadores de densidad vía kernels

Uso en el modelo de Naïve Bayes

Comparación con estadística paramétrica

Regresión no-paramétrica

Comparación con el modelo paramétrico

Tests no-paramétricos

Wilcoxon

Friedman

Kendall’s tao

Overfitting en tests no-paramétricos

Modelos de redes neuronales convolucionales

El lenguaje de las redes neuronales

Perceptrón: la primera red neuronal

Consecuencias avanzadas

Convoluciones y su relación con Fourier

Tensores: interpretación geométrica

Algunas arquitecturas útiles

Algoritmos de entrenamiento

Método del gradiente

Algortimo estocástico del gradiente

Retro-propagación

Regularización para redes neuronales