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 la Probabilidad, Selección de Modelos, Teoría de la Decisión e Información
- Fundamentos de la teoría de la 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 Neuronales
- 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 Núcleo
- Introducción a los métodos de núcleo en el reconocimiento de patrones
- Máquinas de soporte vectorial y otros modelos basados en núcleos
- Aplicaciones en datos de alta dimensión
Máquinas de Núcleo Escasas
- Comprensión de los modelos dispersos en el reconocimiento de patrones
- Técnicas para la dispersión de modelos 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
- Introducción a los modelos de mezcla
- Algoritmo de Maximización de Esperanza (EM)
- Aplicaciones en clustering 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
Métodos de Muestreo
- Importancia del muestreo en modelos probabilísticos
- Técnicas de Monte Carlo 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 de Markov ocultos 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 y potenciación (boosting)
- Aplicaciones para mejorar la precisión de los modelos
Resumen y Próximos Pasos
Requerimientos
- Comprensión de la estadística
- Conocimientos básicos de cálculo multivariable y álgebra lineal elemental
- Experiencia previa con probabilidades
Público objetivo
- Analistas de datos
- Estudiantes de doctorado, investigadores y profesionales
Testimonios (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
