Salta al contenido principal
Panel lateral
Enlaces de interés
FING
Bedelia
SGAE
OpenFing
Noticias
Redes sociales
Orientacion y consulta
Convivencia
Cursos
Institutos
Tecnólogos
Posgrados
Extensión
Institucional
Más
Buscar
Cerrar
Buscar
Selector de búsqueda de entrada
En este momento está usando el acceso para invitados
Acceder
Página Principal
Abrir índice del curso
Postgrados
EMC
Introducción al Aprendizaje Automático (parte 1)
Introducción al Aprendizaje Automático (parte 1)
Introducción al Aprendizaje Automático (parte 1)
Haga clic en
TAA2019_Notas1.pdf
para ver el archivo.
◄ Preguntas e intercambios relativos al software
Ir a...
Ir a...
Novedades
examen diciembre 2023
examen de julio de 2023
examen diciembre 2022
Foro de consultas
Formulario de evaluación del curso 2023
Formulario de inscripción 2023
19/8: matriz de datos, repaso de algunas medidas descriptivas
24/8: coeficiente de correlación, matriz de covarianzas, propiedades
26/8: Método para hallar variables redundantes. Medidas de variabilidad global. Definición de distancias, distancia de Mahalanobis
2/9: Normal multivariada, distribución multinomial
7/9: idea del problema que aborda las componentes principales y revisión del algunos conceptos de álgebra lineal
9/9: Teorema espectral, teorema de la esfera unidad, càlculo de las componentes principales
16/9: aplicabilidad a datos reales, función prcomp en R y biplots
17/9: criterio para elegir la cantidad de componentes, ejemplos de USArrests y MUNDODES
21/9: distancias, similaridades, representación de las distancias en un espacio de dimensión menor
23/9: isomaps (escalado multidimensional en variedades), breve introducción a clustering
28/9: kmeans (k-medias)
30/9: redondeo de k-means, PAM, clustering jerárquico aglomerativo, dendrogramas
5/10: dendrogramas y función kmeans en R
7/10: método jerárquico de Ward, heatmaps, coeficiente de silhouette para obtener la cantidad óptima de grupos
12/10: elección de la cantidad de grupos (silhouette, Dunn), tendencia en clustering
14/10: clustering de variables, concepto de clasificación
19/10: clasificadores, clasificador de Bayes
21/10: vecinos más cercanos, test error rate, training error rate, validación cruzada
26/10: modelo de regresión logística, estimación de parámetros por máxima verosimilitud
28/10: final de la logística, criterio Akaike para la selección de modelos
4/11: discriminante lineal y cuadrático
9/11: naive Bayes, curvas ROC
11/11: support vector machines
16/11: cómo encontrar los vectores soporte en svm, primeras ideas de árboles de regresión
18/11: árboles de regresión y clasificación
23/11: random forests
21/11: árboles de clasificación y regresión
16/11: final de SVM
14/11: clasificador SVM
9/11: curvas ROC, tablas de confusión cross validation
7/11: QDA, Naive Bayes, training error, error rate
31/10: modelo logístico y LDA
26/10: optimización del error de predicción teórico: riesgo de Bayes
24/10: teorema de imposibilidad de Kleinberg, concepto de clasificación, KNN
19/10: redondeo final de clustering (fuzzy, spectral, tendencia, índices de comparación de grupos
3/10: clustering, kmeans
17/10: PAM, coeficiente cophenetic, métodos para sugerir cantidad de grupos Silouette y Dunn, tendencia en clustering
11/10: redondeo de kmeans, clustering jerárquicos, dendrogramas
10/10: algoritmo kmeans, como minimización de promedio de distancias entre los elementos de cada grupo
28/9: fin de pca
26/9: interpretación del biplot en pca
21/9: análisis supervisado y no supervisado, comienzo del ejemplo de USArrests
19/9: redondeo de la metodología para el cálculo de las componentes, elección de r, un ejemplo
14/9: teorema espectral, de la esfera unidad y procedimiento para hallar componentes principales
11/9: introducción al concepto de componentes principales, teorema espectral de Álgebra Lineal
7/9: datos atípicos multivariados
4/9: funciones de distancias, euclideana, del máximo, Mahalanobis
31/8: valores y vectores propios, medidas de variabilidad global de vectores aleatorios
29/8: matriz de covarianzas y forma cuadrática asociada, variables redundantes
24/8: matriz de datos multivariantes, medidas descriptivas, covarianza entre variables
17/8: presentación del curso y forma de evaluación
Material de repaso y "toolbox" de Probabilidad y Estadística
Statistical Modeling: the two cultures, Breiman, 2001
Transparencias R
Nociones básicas de R
Tutorial R (curso PyE-FING 2017)
Práctico 0
An Introduction to R
Libro R para Ciencia de Datos
R short RefCard
Visualizacion-ggplot2-cheatsheet
RMarkdown-cheatsheet
reticulate spanish
estadistica-descriptiva-con-R
Preguntas e intercambios relativos al software
Introducción al Aprendizaje Automático (parte 2)
Maldición de la dimensionalidad
Foro de consultas sobre Modelización e Introducción al Aprendizaje Automático
Tarea 1: para el viernes 09/04
SesgoVarianzaRLSModelizacion
SesgoVarianzaRLSModelizacion
Matriz de datos
Práctico 1 - 2021
Distribuciones multivariadas
Práctico 2 - 2021
Complemento Esperanza Condicional, Normal bivariada y Regresión lineal
Foro de consultas sobre Matriz de datos y Distribuciones Multivariadas
Análisis de Componentes Principales (Parte 1)
Laboratorio 1 ACP
Análisis de Componentes Principales (parte 2)
Laboratorio 2: ACP
Análisis de Componentes Principales (parte 3)
Práctico 3 - 2021 (ACP)
Aplicación: reconstrucción de imagen con PCA
Tarea 2: entrega 23/5 23:59
Analisis de Datos con R, François Husson
Kernel PCA
Distancias ciudades Uruguay (euclideas)
Escalado Multidimensional
Practico 4 2021: Escalado Multidimensional
Nonlinear Dimensionality Reduction, David Capel
A Global Geometric Framework for Nonlinear Dimensionality Reduction_Tenenbaum2000
Spectral Methods for Dimensionality Reduction_Saul2005
swiss.dat
Práctico Aprendizaje No Supervisado
Pizarrón Práctico Aprendizaje No Supervisado
Clustering
Practico 5 2021: Clustering
Métodos Jerárquicos, Gallardo
Spectral Clustering, Von Luxburg, 2007
Indices de comparación de métodos de clustering, Wagner 2007
Laboratorio Clustering
Laboratorio Clustering
Laboratorio 2: ACP+Clustering
mnist.R
Clasificación binaria
k vecinos más cercanos
Practico 6 2021: Clasificación binaria
Regresión logística
Práctico 7 2021: Regresión logística
Análisis Discriminante
Practico 8 2021: Análisis Discriminante
Support Vector Machines
Laboratorio Clasificación Binaria
Pizarron Laboratorio Clasificación Binaria
Pizarron Laboratorio Clasificación Binaria (parte 2)
Laboratorio Clasificación Binaria Curva ROC - AUC
Bases de datos
Laboratorio Regresión Logistica
Laboratorio Análisis Discriminante
Laboratorio I Análisis Discriminante
Laboratorio SVM
Tarea 3: Ejercicios de clasificación
Arboles de clasificación y regresión
Practico CART
Laboratorio CART
Laboratorio CART
Métodos de agregación: Bagging, Random Forest, Boosting
Métodos de agregación: métodos de consenso
Laboratorio Métodos de agregación
Laboratorio Métodos de agregación
Proyecto final
Introducción al Aprendizaje Automático (parte 2) ►