Skip to content

Latest commit

 

History

History
39 lines (32 loc) · 2.69 KB

README.md

File metadata and controls

39 lines (32 loc) · 2.69 KB
Raw

Curso Machine Learning en R

Índice

  1. 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]

  2. 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]

  3. 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