Contenido
-Tema 1: Bases filosóficas del Curso y conceptos de base en Aprendizaje Automático. Transparencia y Video
-Tema 2: Bases para la Preparación de los Datos (Ciencias de los Datos). Transparencia y Video
-Tema 3: Preparación de los Datos desde la Analítica Estadística. Transparencia y Video
-Tema 4: Ingeniería de Descriptores/Caracteristicas para preparar los Datos. Transparencia, Video clase y de Código
-Tema 5: Tipos de Aprendizaje Automático. Transparencia y Video
-Tema 6: Aprendizaje Supervisado (clasificación: Arboles y RF). Transparencia y Video
-Tema 7: Aprendizaje Supervisado (predicción: regresion). Transparencia, Video Clase y Video Código
-Tema 8: Aprendizaje No Supervisado: jerarquico, centroides (K-means). Transparencia, Video Clase y Video Código
-Tema 9: Aprendizaje No Supervisado: densidad (DBSCAN), basado en modelos. Transparencia y Video
-Tema 10: Reglas de Asociación. Transparencia, Video Clase y Video Código
-Tema 11: Introducción Aprendizaje por Reforzamiento. Transparencia y Video
-Tema 12: Bases de Q-learning. Transparencia, Video y Video Código
Documentos
Libros o Enlaces Interesantes
- S. Shalev-Shwartz et al. "Understanding Maching Learning: From Theory to Algorithms". 2014
- T. Hastie et al. "An Introduction to Statistical Learning: With Applications in R". Editorial Springer. 2013.
- A. Geron, "Hands-On Machine Learning with Scikit-Learn, Keras and Tensor Flow". Editorial O- Reilly. 2017.
- A. Müller, S. Guido "Introduction to Machine Learning with Python". O’Reilly Media. 2017
- M. Zaki, W. Meiras "Data Mining and Analysis"
-I. Witten, E. Frank "Data Mining Practical Machine Learning Tools and Techniques"
Fuentes de los Código