Resumen
Explora los fundamentos matemáticos del aprendizaje automático, desde álgebra lineal hasta optimización, con implementaciones prácticas en Python utilizando NumPy, SciPy y TensorFlow.
Programa de estudio
-
- Introducción al Álgebra Lineal
-- Vectores y Matrices
-- Operaciones y Propiedades de Matrices
-- Determinantes y Matrices Inversas
-- Valores Propios y Vectores Propios
-- Implementación Práctica con NumPy
- Álgebra Lineal en el Aprendizaje Automático
-- Transformaciones Lineales
-- Análisis de Componentes Principales (PCA)
-- Descomposición en Valores Singulares (SVD)
- Introducción a la Optimización
-- Descenso de Gradiente y sus Variantes
-- Optimización Convexa vs. No Convexa
-- Implementación Práctica con SciPy
- Probabilidad y Estadísticas en el Aprendizaje Automático
-- Distribuciones de Probabilidad y Propiedades
-- Teorema de Bayes y Aplicaciones
-- Regresión Lineal: Teoría y Práctica
- Fundamentos del Aprendizaje Automático
-- Árboles de Decisión y Bosques Aleatorios
-- Máquinas de Vectores de Soporte (SVM)
-- Redes Neuronales y Aprendizaje Profundo
- Introducción a TensorFlow
-- Fundamentos de TensorFlow y Grafos Computacionales
-- Construcción y Entrenamiento de una Red Neuronal Feedforward
-- Implementación de CNNs y RNNs en TensorFlow
- Temas Avanzados
-- Técnicas de Regularización: L1, L2 y Dropout
-- Ajuste de Hiperparámetros y Selección de Modelos
-- Introducción al Aprendizaje por Transferencia y Modelos Pre-entrenados
- Proyecto Final
-- Definir e Implementar un Modelo de Aprendizaje Automático
-- Demostrar Comprensión de las Aplicaciones del Álgebra Lineal
-- Presentar Resultados y Reflexionar sobre lo Aprendido
Enseñado por
Etiquetas
On-Demand
