International Center for Advanced Studies

Cronograma

Martes Jueves
Agosto
4. Presentación de la materia. Panorama general de Aprendizaje Automático. Análisis exploratorio de datos. Diapos; Notebook. 6. Análisis exploratorio de datos (cont). Preprocesado. Modelos estadísticos sencillos (regresión lineal). Notebook.
11. Concepto de probabilidad. Probabilidad conjunta, marginal y condicional. Reglas de la suma y el producto. Diferencia entre el enfoque frecuentista y bayesiano. 13. Teorema de Bayes. Inferencia bayesiana. Prior, verosimilitud, posterior. Diapos; Notebook.
18. Priors conjugados. Distribución binomial y beta. Aplicaciones del teorema de Bayes. (Clase a cargo de E. Álvarez). 20. El problema de Monty Hall. Ejemplos de problemas con priors conjugados. A/B testing bayesiano. Distribución multinomial y de Dirichlet.
25. El problema del cumpleaños. La distribución normal, binormal y multinormal. Propiedades analíticas. 27. Modelos lineales. Regresión lineal. Notebook.
Septiembre
1. Estimadores de máxima verosimilitud. Regresión mutlivariada. Regresión polinomial. Sobreajuste. Notebook. 3. Ecuaciones normales. Validación cruzada (K-folding). Consultas. Notebook.
8. Regularización (ridge, lasso, ElasticNet). Notebook. 10. Weighted Least Squares (WLS) Resolución de ejercicio 4.
15. Regresión lineal bayesiana. Propiedades de distribuciones normales. Problema de regresión bayesiana. Diapositivas complementarias 17. Clasificación con modelos lineales. Teoría de decisión. Funciones discriminantes. Discriminante lineal de Fischer.
22. Perceptrón. Regresión logística. IRLS. Stochastic Gradient Descent. 24. Consultas.
1er Parcial
29. SVM. Kernel trick. 1. Naive Bayes. Decision Trees. Random trees.
Octubre
6. Devolución primer parcial. 8. Métodos de Ensemble. Voting, bagging, stacking. Random Forest.
13. Boosting. AdaBoost. 15.
20. 22.
27. 29.
Noviembre
3. 5.
10. 12.
17. 19.