Temario y referencias

Todas las notas y material del curso estarán en este repositorio.

Introducción al aprendizaje máquina
Regresión lineal múltiple y descenso en gradiente
Problemas de clasificación y regresión logística
Validación cruzada y métodos de remuestreo
Regularización y selección de modelos
Ingeniería de variables de entrada
Diagnóstico y mejora en problemas de aprendizaje supervisado
Redes neuronales
Árboles y bosques aleatorios
Componentes principales y análisis de conglomerados

Evaluación

Tareas semanales (20%)
Examen parcial (30% práctico, 20% teórico)
Un examen final (30% práctico)

Material

Cada semestre las notas cambian, en algunas partes considerablemente. Las de este semestre están en este repositorio, incluyendo ejemplos, ejercicios y tareas.

Referencias principales

An Introduction to Statistical Learning, James et al. (2014)
Curso de Machine Learning de Andrew Ng, Ng (2017)
Deep Learning, Goodfellow, Bengio, and Courville (2016)

Otras referencias

Pattern Recognition and Machine Learning, Bishop (2006)
The Elements of Statistical Learning, Hastie, Tibshirani, and Friedman (2017)

Software: R y Rstudio

Para hacer las tareas y exámenes pueden usar cualquier lenguaje o flujo de trabajo que les convenga (R o Python, por ejemplo) - el único requisito esté basado en código y no point-and-click. En lo posible utilizamos librerías especializadas que se pueden utilizar desde varias plataformas (keras, por ejemplo).

R Sitio de R (CRAN)
Rstudio Interfaz gráfica para trabajar en R.
Recursos para aprender R

Aprendizaje de máquina