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. Análisis de componentes independientes: formulaciones alternativas, funciones objetivo y funciones de contraste.
Modelos de mezclas no lineales y convolutivas. Métodos de proyección y reducción dimensional. Factorización de matrices nonegativas.

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.- VALIDACIÓN Y SELECCIÓN DE CARACTERÍSTICAS.

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. Métodos de selección de características.

VIII.- APLICACIONES.

Aplicaciones de aprendizaje maquinal a problemas con datos reales.

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