Temario y calificación

Calificación

Trabajo en clase: 40%

    • 3 tareas examen

    • Laboratorio

Proyecto final: 60%

1. Bases Matemáticas

    1. Álgebra lineal

        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

    1. 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