Programa analítico
I.- INTRODUCCIÓN.
Revisión de Probabilidad, Nociones de Teoría de la Información y Teoría de la Decisión. Clasificación estadística de patrones y regresión: aprendizaje supervisado paramétrico, no paramétrico y no supervisado. Minería de datos y agrupamiento de patrones.
II.- ANÁLISIS ESTADÍSTICO DE DATOS.
Análisis de componentes principales, formulación probabilística y basada en núcleos. Análisis de componentes independientes: formulaciones alternativas, funciones objetivo y funciones de contraste. Modelos de mezclas no lineales y convolutivas. Métodos de proyección, reducción dimensional y selección de características.
III.- APRENDIZAJE BASADO EN REDES Y TÉCNICAS CLÁSICAS.
Revisión de redes neuronales "clásicas": perceptrón simple y multicapa, redes con funciones de base radial, mapas auto-organizativos. Naive Bayes, k-vecinos cercanos, análisis discriminante lineal, mezclas de gaussianas, k-medias. Aprendizaje por refuerzo. Ensamble de clasificadores, bagging, boosting. Aprendizaje profundo.
IV.- APRENDIZAJE BASADO EN ÁRBOLES Y REGLAS DE DECISIÓN.
Métodos que no utilizan en métricas. Generación de árboles de decisión: CART, ID3, C4.5. Reglas para separación, crecimiento y podado. Tratamiento de atributos con valores faltantes. Relación y equivalencias con redes neuronales.
V.- APRENDIZAJE BASADO EN NÚCLEOS.
Construcción de núcleos y aprendizaje basado en núcleos. Teoría estadística del aprendizaje: clasificadores de riesgo empírico mínimo. Máquinas de soporte vectorial. Máquinas multiclase.
VI.- APRENDIZAJE DE DATOS SECUENCIALES.
Revisión de redes neuronales dinámicas: redes de Hopfield, redes neuronales con retardos temporales, redes de Elman y Jordan. Modelos ocultos de Markov discretos y continuos. Algoritmos hacia adelante y hacia atrás. Algoritmo de Viterbi. Entrenamiento por maximización de la esperanza.
VII.- TÉCNICAS DE VALIDACIÓN.
Figuras de mérito en aplicaciones de clasificación y regresión. Capacidad de generalización y sobre-entrenamiento. Métodos de estimación del error: partición simple, validación cruzada, particiones múltiples, boostrap, 0.632-boostrap. Análisis ROC.
VIII.- APLICACIONES.
Aplicaciones de aprendizaje maquinal a problemas con datos reales.
