View on GitHub

ml2024

Elements of Machine Learning 2024

Elements of Machine Learning 2024

Este es un curso introductorio al aprendizaje estadístico, con énfasis principalmente en los fundamentos matemáticos y estadísticos de los principales algoritmos de aprendizaje automático y reconocimiento de patrones. El tema central del curso es el estudio de métodos para obtener información útil a partir de datos. Abordamos temas principales como el aprendizaje supervisado y no supervisado, los modelos de regresión, y algunos tópicos recientes como el aprendizaje profundo. Al final del curso, los estudiantes comprederán los fundamentos de los algoritmos más populares del aprendizaje estadístico. Para aprovechar de mejor manera el curso, es recomendable que los estudiantes estén familiarizados con temas de álgebra lineal, cálculo, estadística, y tener conocimientos de al menos un lenguaje de programación (e.g. Python, R, Matlab, C++, u otros).

Programa del curso

Programa del curso

Horario

  • Viernes, de 13:00 a 15:50 horas.

Office Hours

  • Viernes de 12:00 a 13:00 horas, por solicitud del estudiante. También pueden enviar sus dudas por correo electrónico.

Material del curso

No. Fecha Tópicos Recursos
01 12.01.2024 Introducción al curso. ML y Data Science.
Aula 01		  
02 19.01.2024 Generación de muestras aleatorias. Repaso de estadística. aula02a_.ipynb aula02b_.ipynb
T1 19.01.2024 Tarea 1. tarea01.pdf
Entrega: viernes 2 de febrero.
05 26.01.2024 Análisis de Componentes Principales (PCA).
Aula 05		 center-data.ipynb svd.ipynb
06 26.01.2024 Interpretación del PCA.
Aula 06		 pca.ipynb deport.csv
07 02.02.2024 Escalamiento multidimensional.
Aula 07		 md-scaling.ipynb
08 02.02.2024 PCA para compresión de imágenes.
Aula 08		 pca-grayscale.ipynb pca-RGB.ipynb quetzal.png
09   http://timbaumann.info/svd-image-compression-demo/  
T2 02.02.2024 Tarea 2. tarea02.pdf crimes.dat distances.csv weather.csv
Entrega: viernes 16 de febrero.
10 16.02.2024 Factoración NNMF. Sistemas de recomendación. Aula 10 recommender.ipynb movies.csv ratings.csv
11 23.02.2024 Manifold Learning I.
Aula 11		 manifold-roll.ipynb manifold-digits.ipynb
12 23.02.2024 Manifold Learning II.
Aula 12		 som-penguins.ipynb democracy-index.csv democracy-index.ipynb
13 01.03.2024 Imputación de Datos.
Aula 13		 imputation.ipynb visualisation.ipynb hpi-data-2016.csv
14 01.03.2024 Estimación de Densidades por Kernel (KDE). Aula 14 1D-kernel-density.ipynb
2D-kernel-density.ipynb
T3 08.03.2024 Tarea 3. tarea03.pdf hpi-data-2016.csv wines.csv
Entrega: viernes 22 de marzo.
15 08.03.2024 Agrupamiento Jerárquico.
Aula 15		 hierarchical.ipynb hierarchical-image.ipynb
tree.jpg playa.jpeg
16 08.03.2024 Ejemplos de agrupamiento jerárquico.
countries_binary.xlsx
16 15.03.2024 K-means y variantes.
Aula 16		 k-means_data.csv
17 22.03.2024 Ejercicio usando K-means.
ejercicio.pdf
18 05.04.2024 Otros algoritmos de clustering: Mean-shift, DBSCAN, OPTICS, BIRCH.
Aula 17		 density-based.ipynb compare-clust.ipynb
19 05.04.2024 Métricas para agrupamiento.
Aula 18		 clustering-metrics.ipynb silhouette.ipynb
ejercicio-clust.ipynb Datos_clustering.csv
20 12.04.2024 Presentaciones del primer proyecto.  
21 26.04.2024 Modelación predictiva. K-nearest neighbours (KNN).
Aula 19		  
22 26.04.2024 Clasificador bayesiano óptimo.
Aula 20 Aula 21		 Clasificador_Bayesiano.xlsx
23 03.05.2024 Naïve Bayes. Ejemplos de clasificadores naïve. bayes.ipynb bayes_car_exercise.ipynb bayes_text_class.ipynb car_data.csv
T4 03.05.2024 Tarea 4. tarea04.pdf
golf_data.csv
24 10.05.2024 Redes Neuronales.
Aula 24		 Keras1.zip
25 17.05.2024 Presentación de proyecto final.  

Proyectos

En el curso realizaremos dos proyectos.

Primer Proyecto (Ecobici y SP500)

No. Fecha Tópicos
P1 23.02.2024 Proyecto 1
Coordenadas de estaciones stations.json stations.csv
. 12.04.2024 Presentaciones
. 12.04.2024 Entrega del reporte, código y presentación

Segundo Proyecto (Tema Libre)

No. Fecha Tópicos
P2 26.04.2024 Proyecto 2
. 17.05.2024 Presentaciones
. 19.05.2024 Entrega del reporte, código y presentación

Material adicional (scripts)