Matemáticas para el aprendizaje automático
Matemáticas para el aprendizaje automático
Principal Component Analysis
Laplacian Eigenmaps y clustering en grafos
Error, generalización, bias-variance tradeoff
Regresión, clasificación, No Free Lunch Theorem
Espacios de Hilbert a núcleo reproductor
Perceptron, SVM y kernel SVM
Descenso del gradiente y descenso del gradiente estocástico
Multilayer perceptron y complejidad computacional de la backpropagation
El teorema de aproximación universal
Construcciones que requieren profundidad
Aproximación constructiva, error cuantitativo
Dynamic Programming: Markov Decision Processes e iteraciones de Bellman
Reinforcement learning: algoritmos Q-learning y Reinforce
Procesamiento del lenguaje natural y Transformers
Visión artificial y redes convolucionales
F. Cucker, D. X. Zhou. Learning Theory. An approximation theory viewpoint. Cambridge University Press, 2007
Y. Nesterov. Introductory Lectures on Convex Optimization. A Basic Course. Kluwer, 2004
A. Pinkus. Approximation Theory of the MLP model in neural networks. Acta Numerica 8 (1999)
S. Shalev-Schwartz, S. Ben-David, "Understanding machine learning". Cambridge University Press, 2014
I. Steinwart, A. Christmann, "Support Vector Machines". Springer, 2008
R. S. Sutton, A. G. Barto. Reinforcement learning. An introduction. MIT Press, 2018
U. von Luxburg, "A Tutorial on Spectral Clustering". Stat. Comput. 17 (2007)
D. Yarotski. Error bounds for approximations with deep ReLU networks. Neural Networks 94 (2017)