Minicurso de aprendizaje máquina (ITAM, Junio 2018). En este curso de orientación aplicada se presentan las ideas fundamentales de aprendizaje máquina junto con ejemplos en R. Se suponen conocimientos básicos de cálculo multivariado y álgebra lineal.

Notas

1. Modelos lineales y regularización

Introducción a aprendizaje máquina y métodos lineales. Sesgo, varianza y error de predicción. Evaluación de modelos. Regularización para modelos lineales.

2. Métodos de optimización para ML

Descenso en grandiente, descenso en gradiente estocástico y métodos derivados.

3. Métodos basados en árboles

Árboles para clasificación y regresión. Métodos de agregación para controlar varianza: bagging, boosting y bosques aleatorios.

4. Aspectos prácticos en la construcción y evaluación de modelos.

Recomendaciones generales en el proceso de mejora: datos y modelos. Problemas comunes en la evaluación de modelos.

• http://www-bcf.usc.edu/~gareth/ISL/
• http://www.deeplearningbook.org

• https://www.r-project.org
• https://www.rstudio.com