Nociones básicas de Machine Learning
Objetivos
-
Ofrecer al alumno una visión global de los siguientes aspectos de Machine Learning y Data Science:
-
Una amplia cantidad de ejemplos de éxito y de fracaso de las técnicas más utilizadas.
-
Planteamiento del problema de manera intuitiva y la explicación de su formalización.
-
Dificultades teóricas y prácticas del aprendizaje y el manejo de datos.
-
Una paleta de las técnicas más comunes.
2. Familiarizar al alumno con el lenguaje matemático utilizado en la literatura sobre 3. Machine Learning para que sea capaz de acercarse a ella con comodidad.
La capacidad de replicar exitosamente y de manera autónoma los aspectos teóricos y prácticos de los algoritmos más sencillos: lineales.
Temario
1. Algunos ejemplos de aplicaciones
● Clasificación de Textos e imágenes
● Problemas tipo retail
● Optimización
● Predicción del Churn Rate y diagnóstico Médico
● Forecasting lineal y no lineal
● Inteligencia artificial
● Detección de anomalías
2. Algunos problemas técnicos a los que se enfrentan los analistas de datos
● Elección del algoritmo adecuado
● Determinación de los parámetros
● Underfitting v.s. Overfitting
● La maldición de la dimensión
3. Algunos algoritmos sencillos de manera intuitiva
● Perceptrón
● Regresión lineal
● K-nearest neighbours
● Árboles de decisión
4. Fundamentos matemáticos
● Geometría lineal
● Probabilidad básica
● Estadística: ley de los grandes números
● Convexidad
5. Formalismo en Machine Learning y case studies
● Clasificación de denuncias falsas (Regresión lineal revisitada).
● Manejo de portafolios financieros (Aprendizaje convexo)
● Sugerencias de Netflix (K-nearest neighbours)
● Diagnóstico médico (Árboles de decisión)
6. Deep Learning (opcional)
● Del perceptrón a las redes neuronales
● De la regresión lineal a las redes neuronales
● Ventajas: capacidad de predicción
● Desventajas: costo computacional