Curso: Aprendizaje automático

Dr. Luis Gerardo de la Fraga

Cuatrimestre enero a abril de 2020.

Este es el contenido del curso

Apuntes del curso:

  1. 15.04.2020 Una introducción a la teoría de probabilidad

  2. 26.03.2020 La prueba t de Student

  3. 3.03.2020 Los scripts para realizar la validación cruzada

  4. 26.02.2020 A Practical Guide to Support Vector Classification

  5. 25.02.2020 Los scripts sobre Máquinas de Vectores Soporte.

  6. 18.02.2020 Los apuntes para lectura de datos y realizar el ACP.

  7. 5.02.2020 El programa en python para integrar la función gausiana dado el valor de sigma.

  8. 29.01.2020 La regresión logística aplicada cuando existe una separación lineal entre las clases. Este apunte es la base para la tarea 2.

  9. 23.01.2020 Los scripts para realizar una regresión logística

  10. Uso de numpy en python

  11. Gráficas con matplotlib
    Se puede checar la página de matplotlib: https://matplotlib.org

Tareas del curso:

  1. 23.04.2020. Trabajo 13: Adaboost

  2. 21.04.2020. Trabajo 12: Combinación de clasificadores con un esquema de votos

  3. 16.04.2020. Trabajo 11: Árboles de decisión para resolver un problema de clasificación

  4. 14.04.2020. Trabajo 10: Clasificadores bayesianos ingenuos

  5. 2.04.2020. Trabajo 9: Lectura de un artículo de investigación

  6. 31.03.2020. Trabajo 8: Redes neuronales con retropropagación para resolver un problema de clasificación

  7. 26.03.2020. Trabajo 7: Agregó la prueba t de Student a los resultados de la tarea 6.

  8. Trabajo 6: Redes neuronales de retropropagación para un problema de regresión.

  9. Tarea 5: Uso de validación cruzada para encontrar el mejor valor de k en un clasificador k-NN utilizando Sklearn en Python.

  10. Tarea 4: Uso de Máquinas de Vectores Soporte en un problema de clasificación multi-clases utilizando OpenCV y Sklearn en Python.

  11. Tarea 3: Análisis de Componentes Principales (ACP) utilizando OpenCV en Python.

  12. Tarea 2: Regresión logistica utilizando OpenCV en Python en conjuntos linealmente separables y no separables.

  13. Tarea 1: Regresión polinomial utilizando la biblioteca Scikit-learn en Python.

Última actualización: 24.04.2020