Temario y calificación

Calificación

Trabajo en clase: 40%

• • 3 tareas examen

  • Laboratorio

Proyecto final: 60%

1. Bases Matemáticas

• 1. Álgebra lineal

     1. 1. Matrices y tensores, operaciones con espacios vectoriales

           1. Identidad y matriz inversa

           2. Dependencia linear y bases

           3. Normas L1 y L2

           4. Eigendescomposición

           5. Traza y determinante

  2. Probabilidad

• • • 1. Importancia y paradigma de la probabilidad

      2. Variables aleatorias y Distribuciones

      3. Independencia, probabilidad marginal y condicional

      4. Esperanza, Varianza y Covarianza

      5. Independencia

      6. Regla de Bayes

• 3. Cómputo numérico

• • • 1. Condicionamiento

      2. Optimización basada en gradiente

      3. Optimización restringida y métodos de optimización

2. Aprendizaje de Máquina - Revisión

• 1. Aprendizaje estadístico: Supervisado, No supervisado y Reforzado

  2. Overfitting y underfitting

  3. Estimadores. Compromiso sesgo y varianza. MLE

  4. Descenso del gradiente estocástico

  5. Regresión logística con descenso del gradiente estocástico.

3. Redes Neuronales

• 1. Perceptrón con pesos

  2. Problema del XOR

  3. Multicapa

  4. Unidades intermedias

  5. Retropropagación

  6. Descenso del gradiente estocástico

  7. Aproximadores universales

  8. Hopfield, RBM y SOM

  9. Redes recurrentes

  10. Convolucionales

  11. Transformers y GNN

Bibliografía

Beale, Jackson. Neural Computing - An introduction

Haykin S. Neural Networks and Learning Machines.

Rojas R. Neural Networks - A systematic introduction