Curso: Aprendizaje automático

Dr. Luis Gerardo de la Fraga

Cuatrimestre enero a abril de 2026.

Este es el contenido del curso

Apuntes del curso:

  1. 26.02.2026 La solución al problema del XOR con un clasificador y un regresor.

  2. 24.02.2026 El problema multiclase y predicción de una señal senoidal con redes neuronales.

  3. 19.02.2026 Las primeras redes neuronales para resolver dos problemas de clasificación, uno con función de decisión lineal y otro con frontera no lineal.

  4. 13.02.2026 Un problema de clasificación con sobreajuste. Se hizo el problema usando pocos datos y la exactitud de prueba es menor que la exactitud de entrenamiento.

  5. 17.02.2026 Los árboles de decisión vistos en clase.

  6. 10.02.2026 Problema multiclase usando la regresión logística.

  7. 20.01.2026 Análisis de componentes principales.

  8. 20.01.2026 Manejo de datos faltantes y variables categóricas.

  9. 15.01.2026 Normalización de una base de datos.

  10. 15.01.2026 Clasificación usando los k vecinos más cercanos.

  11. 13.01.2026 La regresión logística para clasificar dos clases.

  12. 06.01.2026 Regresión lineal con SciKit Learn.

  13. 06.01.2026 Introducción a numpy y matplotlib.

Tareas del curso:

  1. Tarea 6. Predicción de una señal
    Fecha de entrega 05.03.2026
    1. Con estos datos realizar un predictor de la última muestra
    2. Se debe decidir el número de muestras y el número de neuronas en la capa oculta
    3. Reconstruir 2000 pasos de la señal retroalimentado la salida a la entrada.

  2. Tarea 5. Clasificación usando árboles de decisión
    Fecha de entrega, lunes 26.02.2026
    1. Con los siguientes datos, contestar las preguntas siguientes
    2. ¿Cuál fue el razonamiento del médico para recetar cada medicina? ¿Se puede ver la relación entre los valores en sangre y la medicina que el médico recetó?
    3. Deben usar validación cruzada
    4. Visualizar el mejor árbol
    5. Reportar la importancia de las características
    6. Y van a usar las tres las características más importantes, rehacer el clasificador y lo comparan con el obtenido usando todas las características.

  3. Tarea 4. El problema multiclase con MVS
    Fecha de entrega 19.02.2026
    1. Con los mismos datos del problema multiclase con la regresión logística, resolver el problema ahora con MVS
    2. Presentar ambas gráficas de las superficies de decisión para poder compararlas

  4. Tarea 3. Evaluación de los algoritmos
    Fecha de entrega 12.02.2026
    1. Este modelo es la MVS.
    2. Compare el modelo con MVS con la regresión logística y los k vecinos más cercanos. Use 5 y 10 dobleces para calcular las estadísticas de los tres modelos de clasificación.

  5. Tarea 2. Regresión logística
    Fecha de entrega 30.01.2026
    1. Realizar el clasificador para estos datos.
    2. Relizar las gráficas de los datos de entrenamiento y de prueba con la función de decisión encima de ellas

  6. Tarea 1. Regresión lineal
    Fecha de entrega 22.01.2026
    1. Ajustar estos datos a polinomios de grado n = 3, ..., 10.
    2. Mostrar una tabla con los valores de los coeficientes obtenidos, las ocho gráficas de los datos contra el modelo y una última tabla de n contra la medida del error RMS y el valor del R^2

Última actualización: 26.02.2026