Trabajo en clase: 40%
3 tareas examen
Laboratorio
Proyecto final: 60%
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
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.
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
Beale, Jackson. Neural Computing - An introduction
Haykin S. Neural Networks and Learning Machines.
Rojas R. Neural Networks - A systematic introduction