Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Introducción
- Información general sobre el 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 y de la 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
- Descripción 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
- Descripción de la clasificación lineal
- Aplicaciones y limitaciones de los modelos lineales
Neural Networks
- Conceptos básicos de redes neuronales y aprendizaje profundo
- Entrenamiento de redes neuronales para el reconocimiento de patrones
- Ejemplos prácticos y estudios de casos
Métodos del kernel
- Introducción a los métodos del kernel en el reconocimiento de patrones
- Compatibilidad con máquinas vectoriales y otros modelos basados en kernel
- Aplicaciones en datos de alta dimensión
Máquinas de kernel dispersas
- Descripción de los modelos dispersos en el reconocimiento de patrones
- Técnicas para la dispersión y regularización de modelos
- Aplicaciones prácticas en el análisis de datos
Modelos gráficos
- Descripción 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 expectativas (EM)
- Aplicaciones en clustering y estimación de densidad
Inferencia aproximada
- Técnicas de 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 Markov Chain Monte Carlo (MCMC)
- Aplicaciones en el reconocimiento de patrones
Variables latentes continuas
- Descripción de los modelos de variables latentes continuas
- Aplicaciones en reducción de dimensionalidad y representación de datos
- Ejemplos prácticos y estudios de casos
Datos secuenciales
- Introducción al modelado de datos secuenciales
- Modelos ocultos de Markov y técnicas relacionadas
- Aplicaciones en análisis de series temporales y reconocimiento de voz
Combinación de modelos
- Técnicas para combinar varios modelos
- Métodos de ensamble y potenciación
- Aplicaciones en la mejora de la precisión del modelo
Resumen y próximos pasos
Requerimientos
- Comprensión de la estadística
- Familiaridad con el cálculo multivariante y el álgebra lineal básica
- Cierta experiencia con probabilidades
Audiencia
- Analistas de datos
- Estudiantes de doctorado, investigadores y profesionales
21 Horas
