Material de las Clases

Formato de presentaciones:

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

Guias de Trabajos Prácticos:

Guia Nº1:
tsam2108_tp01.pdf (actualizado 29/10/2018)
Guia Nº2:
tsam2108_tp02.pdf (actualizado 29/10/2018)


Introducción:

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

Clasificación estadística:

Análisis estadístico:

Métodos de proyección y PCA:

Análisis de componentes independientes (ICA)

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)

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

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)

Selección de características:

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

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

Unless otherwise stated, the content of this page is licensed under Creative Commons Attribution-ShareAlike 3.0 License