Introducción a Machine Learning

Resumen

En este curso abordaremos el aprendizaje automático de máquinas desde una perspectiva algebraica. Se abordarán cuatro temas principales:

Primero, introduciremos los modelos de regresión y clasificación lineal, comenzando por la regresión lineal multivariada, sus aplicaciones y cómo evitar el sobreajuste utilizando regularización.

Luego, se presentará la regresión logística como uno de los métodos de clasificación más relevantes.

La regresión logística conectará con la formulación de la arquitectura de una red neuronal artificial, ya que la neurona logística, que puede interpretarse como la unidad básica para modelos de clasificación con redes neuronales, es equivalente a una regresión logística.

El tercer tema se enfoca en el estudio de metodologías utilizadas para el entrenamiento correcto de redes neuronales, tanto para regresión como clasificación. También se introducirán métodos para identificar los modelos con mejor rendimiento.

Finalmente, se describirán métodos para el aprendizaje no supervisado.

Específicamente, se abordará PCA para reducción de dimensionalidad y k-means para modelos de agrupamiento. Además, se discutirán técnicas para evaluar el rendimiento de estos modelos.

El curso también abordará el uso de redes neuronales en el aprendizaje no supervisado, explicando las Redes de Hopfield para el almacenamiento de patrones mediante memoria asociativa y los mapas autoorganizados o redes de Kohonen para identificar estructuras en los datos y reducir dimensionalidad.

Universidad:

edX

Categorías:

Cursos de Machine Learning, Cursos de Redes Neuronales, Cursos de Aprendizaje No Supervisado, Cursos de Análisis de Regresión, Cursos de Álgebra

---

Enseñado por

Alexander Caicedo Dorado

---

Asignaturas