Temario y calificación
Calificación
Trabajo en clase: 40%
3 tareas examen
Laboratorio
Proyecto final: 60%
1. Bases Matemáticas
Álgebra lineal
Matrices y tensores, operaciones con espacios vectoriales
Identidad y matriz inversa
Dependencia linear y bases
Normas L1 y L2
Eigendescomposición
Traza y determinante
Probabilidad
Importancia y paradigma de la probabilidad
Variables aleatorias y Distribuciones
Independencia, probabilidad marginal y condicional
Esperanza, Varianza y Covarianza
Independencia
Regla de Bayes
Cómputo numérico
Condicionamiento
Optimización basada en gradiente
Optimización restringida y métodos de optimización
2. Aprendizaje de Máquina - Revisión
Aprendizaje estadístico: Supervisado, No supervisado y Reforzado
Overfitting y underfitting
Estimadores. Compromiso sesgo y varianza. MLE
Descenso del gradiente estocástico
Regresión logística con descenso del gradiente estocástico.
3. Redes Neuronales
Perceptrón con pesos
Problema del XOR
Multicapa
Unidades intermedias
Retropropagación
Descenso del gradiente estocástico
Aproximadores universales
Hopfield, RBM y SOM
Redes recurrentes
Convolucionales
Transformers y GNN
Bibliografía
Beale, Jackson. Neural Computing - An introduction
Haykin S. Neural Networks and Learning Machines.
Rojas R. Neural Networks - A systematic introduction