TMLS2019 - Perspectivas sobre Aprendizaje Automático

Resumen

Explora técnicas avanzadas para optimizar modelos de aprendizaje automático y mejorar su rendimiento en aplicaciones del mundo real.

Programa de estudio

• Introducción al Aprendizaje Automático Avanzado
Descripción General de los Objetivos del Curso
Comprensión de los Desafíos de Aplicación en el Mundo Real
• Técnicas de Optimización de Modelos
Ajuste de Hiperparámetros
Herramientas de ML Automático (AutoML)
Selección e Ingeniería de Características
• Algoritmos y Técnicas Avanzadas
Métodos de Aprendizaje en Conjunto
Bagging, Boosting y Stacking
Técnicas de Reducción de Dimensionalidad
PCA, t-SNE, LDA
Optimizaciones de Redes Neuronales
Dropout, Normalización de Lote, Programación de la Tasa de Aprendizaje
• Mejora de la Generalización del Modelo
Técnicas de Regularización
Regularización L1 y L2
Estrategias de Validación Cruzada
K-Fold, Leave-One-Out
Análisis y Mitigación de Errores
• Aplicaciones del Mundo Real y Rendimiento
Estudios de Caso de Implementación de ML
Manejo de Conjuntos de Datos Desequilibrados
Escalabilidad y Despliegue
• Evaluación e Interpretación del Modelo
Métricas Avanzadas para la Evaluación de Modelos
Precisión, Recall, Puntuación F1, AUC-ROC
Herramientas de Interpretabilidad
SHAP, LIME
• Ética y Responsabilidades en el Aprendizaje Automático
Consideraciones de Sesgo e Imparcialidad
Preocupaciones de Privacidad y Seguridad
• Direcciones Futuras en el Aprendizaje Automático
Tendencias y Tecnologías Emergentes
El Papel de la IA en la Sociedad
• Revisión Final y Proyecto
Resumen del Curso
Aplicación de Proyecto del Mundo Real
Presentaciones y Sesión de Comentarios

Asignaturas

Charlas de Conferencia