Aprendizaje Automático - Las Matemáticas Básicas Detrás de las Librerías

Resumen

Únase a nosotros en una exploración perspicaz de la matemática central que impulsa el aprendizaje automático. Este evento lo llevará desde los fundamentos del aprendizaje supervisado hasta las técnicas de aprendizaje no supervisado, ofreciendo una comprensión integral de las redes neuronales y sus complejos procesos.

Perfecto para cualquier persona que desee profundizar su conocimiento sobre la inteligencia artificial y sus fundamentos matemáticos.

Programa de estudio

• Introducción a las Matemáticas del Aprendizaje Automático
Visión general del Aprendizaje Automático y Requisitos Matemáticos
Conceptos básicos de Álgebra Lineal: Vectores, Matrices y Operaciones
Fundamentos de Probabilidad y Estadística
• Fundamentos del Aprendizaje Supervisado
Regresión Lineal: Mínimos Cuadrados, Función de Costo y Descenso de Gradiente
Regresión Logística: Función Sigmoide, Función de Pérdida y Máxima Verosimilitud
Máquinas de Vectores de Soporte: Margen, Formulación Dual y Truco del Núcleo
• Técnicas de Aprendizaje No Supervisado
Algoritmos de Agrupamiento: K-Means y Agrupamiento Jerárquico
Análisis de Componentes Principales (PCA): Autovectores y Autovalores
Modelos de Mezcla Gaussiana y Maximización de la Esperanza
• Redes Neuronales y Aprendizaje Profundo
Modelo de Perceptrón y Perceptrones Multicapa
Retropropagación y Regla de la Cadena del Cálculo
Funciones de Activación: Sigmoide, ReLU y Softmax
• Técnicas de Optimización y Entrenamiento
Descenso de Gradiente Estocástico y Variantes
Programación de la Tasa de Aprendizaje y Técnicas de Regularización
Sobreajuste y Subajuste: Compromiso Sesgo-Varianza
• Temas Avanzados en Aprendizaje Automático
Redes Neuronales Convolucionales: Convoluciones, Agrupamiento y Explotación de Datos de Imágenes
Redes Neuronales Recurrentes: Series Temporales y Datos de Secuencias
Introducción a los Fundamentos del Aprendizaje por Refuerzo
• Exploración Matemática del Rendimiento y Evaluación
Matriz de Confusión, Precisión, Recuperación y Puntaje F1
Característica Operativa del Receptor (ROC) y AUC
Validación Cruzada y Estrategias de Selección de Modelos
• Conclusión del Curso y Proyecto Final
Integración de Conceptos Matemáticos en Aplicaciones del Mundo Real
Construcción de un Modelo de Aprendizaje Automático Sencillo Desde Cero
Discusión de Tendencias Futuras y el Papel de las Matemáticas en el Avance de la IA

---

Asignaturas

Charlas de Conferencia