Estadística no-paramétrica y redes neuronales convolucionales

​Objetivos

​

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

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

3. 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

​

1. 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

2. Tests no-paramétricos

   • Wilcoxon

   • Friedman

   • Kendall’s tao

   • Overfitting en tests no-paramétricos

3. 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

4. Algoritmos de entrenamiento

   • Método del gradiente

   • Algortimo estocástico del gradiente

   • Retro-propagación

   • Regularización para redes neuronales