Repository files navigation

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]

• 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)

• Videos y presentaciones ISLR
• Introduction to Machine Learning with R
• Notebooks DLR
• Getting started with Deep Learning in R
• R Data Science Tutorials
• Machine Learning cheatsheets