Temario y referencias

Todas las notas y material del curso estarán en este repositorio.

  • Introducción al aprendizaje máquina
  • Métodos locales y regresión lineal
  • Ingeniería de variables de entrada
  • Regularización
  • Problemas de clasificación y regresión logística
  • Métodos de remuestreo y validación cruzada
  • Redes neuronales
  • Árboles, bosques aleatorios y boosting
  • Diagnóstico y mejora en problemas de aprendizaje supervisado
  • Componentes principales y análisis de conglomerados

Evaluación

  • Tareas semanales (20%)
  • Examen parcial (30% práctico, 20% teórico)
  • Un examen final (30% práctico)

Material

Cada semestre las notas cambian, en algunas partes considerablemente. Las de este semestre están en este repositorio, incluyendo ejemplos, ejercicios y tareas.

Software: R y Rstudio

Para hacer las tareas y exámenes pueden usar cualquier lenguaje o flujo de trabajo que les convenga (R o Python, por ejemplo) - el único requisito esté basado en código y no point-and-click. En lo posible utilizamos librerías especializadas que se pueden utilizar desde varias plataformas (keras, por ejemplo).