Skip to main content
Back to top
Ctrl
+
K
Course information
INTRODUCCIÓN A PYTHON, NUMPY Y OTRAS HERRAMIENTAS
Google Colab y Jupyter Notebooks
U1. INTRODUCCIÓN AL MACHINE LEARNING
Introducción al Machine Learning
Modelos básicos de aprendizaje
Modelos de clasificación empleando funciones de densidad Gausianas
Laboratorio 1 - Parte 1 Regresión polinomial múltiple
Laboratorio 1 - Parte 2. Regresión logística
U2. MODELOS NO PARÁMETRICOS
Modelos no parámetricos
Laboratorio 2 - Parte 1. KNN para un problema de clasificación
Laboratorio 2 - Parte 2. Modelos no paramétricos - regresión
U3. COMPLEJIDAD DE MODELOS Y VALIDACIÓN
Métricas de evaluación
Complejidad de modelos
Sobreajuste y Regularización
U4. APRENDIZAJE NO SUPERVISADO
Modelos de Mezcla de Funciones Gausianas
Clustering
Laboratorio 3 - Parte 1. GMM para clasificación y
clustering
U5. MODELOS DE ÁRBOLES Y ENSAMBLES
Árboles de decisión
Boosting
Laboratorio 3 - Parte 2. Comparación de metodos basados en árboles
U6. REDES NEURONALES ARTIFICIALES
Redes Neuronales Artificiales
Mapas Auto-Organizables
Redes Neuronales Recurrentes
Laboratorio 4 - Parte 1. Redes neuronales artificiales - perceptrón multicapa
Laboratorio 4 - Parte 2. Regularización de modelos.
U7. MÁQUINAS DE VECTORES DE SOPORTE
Máquinas de Vectores de Soporte
One vs all (one vs the rest)
Laboratorio 5 - Parte 1. Redes recurrentes
Laboratorio 5 - Parte 2. Máquinas de Vectores de Soporte
U8. SELECCIÓN EXTRACCIÓN DE CARACTERÍSTICAS
Selección de Características
LASSO (Least Absolute Shrinkage and Selection Operator)
Reducción de dimensión: Análisis de Componentes Principales
Reducción de dimensión: Análisis Discriminante de Fisher
Laboratorio 6 - Parte 1: Reducción de dimensión y Selección de características
Laboratorio 6 - Parte 2: Reducción de dimensión PCA y LDA
A1. SESIONES EXTRA DE LABORATORIO
Preprocesamiento e Ingeniería de características
Despliegue de modelos en ambientes productivos
.md
.pdf
U6. REDES NEURONALES ARTIFICIALES
U6. REDES NEURONALES ARTIFICIALES
#
