Fundamentos de Machine Learning

​Objetivos

​

1. Estudiar los fundamentos matemáticos y estadísticos que permitan comprender los detalles y las sutilezas de algunos modelos comúnmente utilizados en Machine Learning.

2. Familiarizar al estudiante con el análisis formal de las aplicaciones de Machine Learning a problemas concretos, de tal modo que al final del curso sea capaz de identificar las características que determinan un modelo exitoso.

3. Desarrollar en el alumno una sólida intuición y robusta formación técnica que le permita acercarse con confianza a la literatura sobre Machine Learning.

​

​

Temario

​

​

1. Perceptrón para la clasificación (primera red neuronal)

   • Espacios euclidianos y producto punto

   • Separación lineal

   • El algoritmo del Perceptrón

   • Caso no-separable linealmente y expresividad de las redes

   • neuronales

   • Regularización el concepto de margen

2. Regresión lineal para forecasting (caso inyectivo)

   • Espacios de probabilidad y variables aleatorias

   • Independencia estadística

   • Distribuciones Gaussianas y de Laplace

   • Método del gradiente y optimización

   • Teorema de Bayes e interpretación bayesiana de la regresión

   • Ridge y Lasso

3. Árboles de decisión (bases de datos relacionales)

   • Interpretación geométrica y definición formal

   • El concepto de entropía

   • Algoritmos de entrenamiento

   • Random Forests

4. Regresiones logísticas (procesamiento del lenguaje)

   • El modelo logístico

   • Algoritmos de entrenamiento

   • Tests estadísticos

   • Regularización

   • Fundamentos de Machine Learning

5. Redes convolucionales (procesamiento de imágenes)

   • El concepto de tensor

   • Ideas detrás de la convolución

   • Algunas arquitecturas para el procesamiento de imágenes

6. Back-propagation