Trabajo Final:

La cátedra propone para la realización de las presentaciones el siguiente formato (estilo para Beamer - LaTEX):
Estilo_TSAM.zip (24/10/2007)
Descripción del TP Final
Video TP Final

Guias de Trabajos Prácticos:

Guia Nº 1:
tsam2018_tp01.pdf
Guia Nº 2:
tsam2020_tp02.pdf
Python Colab para el TP2 (crear una copia personal para poder guardar los cambios)
Video Presentación TP Nº 2
Video Intro Colab

Introducción:

Nociones preliminares, probabilidad y teoría de información: clase (act. 05/09/2016)

Clasificación estadística:

• 1ra. parte) Introducción a clasificador bayesiano (slides del video): clase (act. 19/09/2014)
• 2da. parte) Clasificador gaussiano (slides de la clase presencial): clase (act. 02/10/2016)

• Ejercicio de aplicación: Minicorpus, Readme

Análisis estadístico:

Métodos de proyección y PCA:

• An Introduction to Dimensionality Reduction Using Matlab
• Bibliografía de PCA, Slides de la clase y Toolbox (09/2018)

Análisis de componentes independientes (ICA)

• Bibliografía ICA 1
• Bibliografía ICA 2 + Slides de la clase (09/2018)

Aprendizaje clásico:

Aprendizaje clásico y redes neuronales: clase (act. 12/10/2012)

Aprendizaje de datos secuenciales:

Redes Neuronales Dinámicas (p1): clase (act. 19/10/2012)

Redes Neuronales Dinámicas (p2): clase (act. 19/10/2012)

• Libro: Raul Rojas, Neural Networks - A Systematic Introduction. Springer-Verlag
• Redes Hopfield (Hopfield-1982)
• TDNN (Weibel-1989)
• Red de Elman (Elman-1990)

Modelos Ocultos de Markov: clase (act. 24/10/2010)

• Artículo introductorio a Modelos Ocultos de Markov (Rabiner)
• Apunte corto de Modelos Ocultos de Markov (Diego Milone)
• Apunte largo de Modelos Ocultos de Markov (Diego Milone)

Aprendizaje basado en árboles:

Aprendizaje basado en árboles (parte 1): clase (act. 04/10/2016)

Aprendizaje basado en árboles (parte 2): clase (act. 04/10/2016)

Medidas de desempeño y Técnicas de validación:

Medidas de desempeño y técnicas de validación: clase (act. 08/11/2018)

• Statistical Pattern Recognition: A Review
• An introduction to ROC analysis

Selección de características:

Técicnas de selección de características: clase (act. 08/11/2018)

• A review of feature selection techniques in bioinformatics
• An Introduction to Variable and Feature Selection
• Wrappers for Feature Subset Selection

Aprendizaje por refuerzo y Aprendizaje profundo:

Aprendizaje por refuerzo: clase (act. 29/10/2018)

Aprendizaje profundo: clase (act. 29/10/2018)

Aprendizaje basado en núcleos:

Máquinas de vectores soporte: clase (act. 02/11/2016)

Aplicaciones:

Aplicaciones a Bioseñales: descargar

Aplicaciones de HMM: descargar

Aplicaciones de Redes Neuronales: descargar

Preguntas acerca de Filosofia de la Inteligencia Artificial: Video de conferencia en Universidad Austral

• Árboles de redes neuronales autoorganizativas
• Self-organizing neural tree networks
• Redes Neuronales y Árboles de Decisión: Un Enfoque Híbrido
• Aprendizaje Maquinal en Medicina: Diabetes
• Uso del software WEKA para Minería de Datos