Aprendizaje automático

Elaboró: Dr. Luis Gerardo de la Fraga

Objetivo: Se estudiarán los principales algoritmos para la realización de aprendizaje supervizado aplicado a la tarea de reconocimiento de imágenes. Se utilizará el lenguaje de programación python. Se estudiará también las técnicas de aprendizaje no supervisado, redes profundas y la combinación de algoritmos en un ensamble.

Contenido:

1. Introducción al aprendizaje automático

2. Aprendizaje supervisado
   1. Clasificación usando el algoritmo de regresión logística
   2. Clasificación usando el algoritmo de k vecinos más cercanos.

3. Representación de datos
   1. Preprocesamiento, normalización.
   2. Reducción de la dimensionalidad usando el análisis de componentes principales
   3. Representación de variables no numéricas

4. Árboles de decisión

5. Máquinas de vectores soporte

6. Aprendizaje bayesiano

7. Aprendizaje no supervisado

8. Aprendizaje profundo

9. Combinación de algoritmos en un ensamble

Bibliografía

• Machine Learning for OpenCV, M. Beyeler, Packt Publishing, 2017.

• Pattern Recognition and Machine Learning, C.M. Bishop, Springer, 2011.

• Introduction to Machine Learning with Python: A Guide for Data Scientists, M. Andreas C, S. Guido, O'Reilly, 2016.

• An Introduction to Statistical Learning: With Applications in R, G. James, D. Witten, T. Hastie, R. Tibshirani, Springer, 2017.

Sobre este documento...

Aprendizaje automático

This document was generated using the LaTeX2HTML translator Version 2019.2 (Released June 5, 2019)

The command line arguments were:
latex2html -split 0 contenido.tex

The translation was initiated on 2020-01-15