Temario del curso
Introducción
- Visión general del reconocimiento de patrones y el aprendizaje automático.
- Aplicaciones clave en diversos campos.
- Importancia del reconocimiento de patrones en la tecnología moderna.
Teoría de Probabilidad, Selección de Modelos, Teoría de la Decisión e Información
- Fundamentos de la teoría de probabilidad en el reconocimiento de patrones.
- Conceptos de selección y evaluación de modelos.
- Teoría de la decisión y sus aplicaciones.
- Fundamentos de la teoría de la información.
Distribuciones de Probabilidad
- Visión general de las distribuciones de probabilidad comunes.
- Papel de las distribuciones en el modelado de datos.
- Aplicaciones en el reconocimiento de patrones.
Modelos Lineales para Regresión y Clasificación
- Introducción a la regresión lineal.
- Comprensión de la clasificación lineal.
- Aplicaciones y limitaciones de los modelos lineales.
Redes Neurales
- Fundamentos de las redes neuronales y el aprendizaje profundo.
- Entrenamiento de redes neuronales para el reconocimiento de patrones.
- Ejemplos prácticos y estudios de caso.
Métodos de Kernel
- Introducción a los métodos de kernel en el reconocimiento de patrones.
- Máquinas de vectores de soporte y otros modelos basados en kernels.
- Aplicaciones en datos de alta dimensión.
Máquinas de Kernel Escasas
- Comprensión de los modelos escasos en el reconocimiento de patrones.
- Técnicas para la escasez del modelo y la regularización.
- Aplicaciones prácticas en el análisis de datos.
Modelos Gráficos
- Visión general de los modelos gráficos en el aprendizaje automático.
- Redes bayesianas y campos aleatorios de Markov.
- Inferencia y aprendizaje en modelos gráficos.
Modelos de Mezcla y EM (Expectation-Maximization)
- Introducción a los modelos de mezcla.
- Algoritmo de Maximización de la Esperanza (EM).
- Aplicaciones en agrupamiento y estimación de densidad.
Inferencia Aproximada
- Técnicas para la inferencia aproximada en modelos complejos.
- Métodos variacionales y muestreo de Monte Carlo.
- Aplicaciones en el análisis de datos a gran escala.
Técnicas de Muestreo
- Importancia del muestreo en los modelos probabilísticos.
- Técnicas de Montecarlo con Cadenas de Markov (MCMC).
- Aplicaciones en el reconocimiento de patrones.
Variables Latentes Continuas
- Comprensión de los modelos de variables latentes continuas.
- Aplicaciones en la reducción de dimensionalidad y representación de datos.
- Ejemplos prácticos y estudios de caso.
Datos Secuenciales
- Introducción al modelado de datos secuenciales.
- Modelos ocultos de Markov y técnicas relacionadas.
- Aplicaciones en el análisis de series temporales y reconocimiento de voz.
Combinación de Modelos
- Técnicas para combinar múltiples modelos.
- Métodos de conjunto (ensemble) y potenciamiento (boosting).
- Aplicaciones para mejorar la precisión del modelo.
Resumen y Próximos Pasos
Requerimientos
- Comprensión de la estadística.
- Familiaridad con cálculo multivariable y álgebra lineal básica.
- Alguna experiencia con probabilidades.
Público objetivo
- Analistes de datos.
- Estudiantes de doctorado, investigadores y profesionales.
Reseñas (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
Que se estuviera aplicando datos reales de la empresa. El formador tenía un enfoque muy bueno al hacer que los participantes colaboraran y competieran.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Traducción Automática
