Curso Machine Learning en R
Índice
- Fundamentos de Aprendizaje Automático
- Conceptos generales de aprendizaje bayesiano y Montecarlo (6 horas) [slides]
- Conceptos generales sobre aprendizaje supervisado (6 horas) [slides]
- Conceptos generales sobre aprendizaje no supervisado: PCA (4 horas) [slides]
- Aplicaciones prácticas de Aprendizaje Automático
- Algoritmos de regresión: Ridge, Lasso, ElasticNet, PCR, PLS, etc. (4 horas) [slides]
- Algoritmos de clasificación: KNN, Naive Bayes, … (4 horas) [slides]
- Arboles de decisión, bosques aleatorios y boosting (4 horas) [slides]
- Support vector machines (4 horas) [slides]
- Algoritmos de clustering: cuantización vectorial (4 horas) [slides]
- DLMs (4 horas) [slides]
- Modelos gráficos probabilísticos (4 horas) [slides]
- Algoritmos bayesianos para clasificación y regresión (4 horas) [slides]
- Redes Neuronales
- Introducción a las redes neuronales (4 horas) [slides]
- Introducción al aprendizaje profundo (4 horas) [slides]
Bibliografía
- Elements of Statistical Learning (ESL)
- Introduction to Statistical Learning with R (ISLR)
- Pattern Recognition and Machine Learning (Bishop)
- Bayesian Data Analysis (BDA)
- Deep Learning with R (DLR)
- Deep Learning (DLB)
Recursos