View on GitHub

ml2025

Elements of Machine Learning 2025

Elements of Machine Learning 2025

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

  • Lunes y miércoles, de 14:30 a 15:50 horas.

Office Hours

  • Lunes y miércoles de 14:00 a 14:30, por solicitud del estudiante. También pueden enviar sus dudas por correo electrónico.

Material del curso

No. Fecha Tópicos Recursos
01 06.01.2025 Inicio del curso. ML y Data Science.
Aula 01		  
02 13.01.2025 Repaso de probabilidad y estadística. Probabilidad condicional. Aula 02
aula02.ipynb
03 15.01.2025 Regla de Bayes. Distribuciones, densidad y función de distribución. Aula 03 aula03.ipynb
04 20.01.2025 Ajuste de distribuciones.
aula04.ipynb qqplots.ipynb distribuciones.ipynb data_aula04.csv
05 22.01.2025 Ejercicios de Fitting data. Exploración de datos. aula05.ipynb
T1 22.01.2025 Tarea 1. Fecha de entrega: 30 de enero.
Tarea 1 penguins.csv tips.csv
06 27.01.2025 Estadísticos. Covarianza y correlación.
Aula 04		  
07 27.01.2025 Centrado y normalización de datos. Normal multivariada. Aula 05 center-data.ipynb multivariate.ipynb generate_gaussian.ipynb
08 29.01.2025 Análisis de Componentes Principales (PCA).
Aula 06		  
09 03.02.2025 Interpretación del PCA.
Aula 07		 deport.csv
pca.ipynb
10 05.02.2025 Compresión de imágenes con PCA.
Aula 08		 SVD Compression Demo
quetzal.png pca_imagen_basico.ipynb
11 10.02.2025 Escalamiento Multidimensional.
Aula 09		 md_scaling.ipynb
12 12.02.2025 Variables latentes. Descomposición NNMF. Sistemas de Recomendación. Aula 10 movies.csv ratings.csv
recommender.ipynb
T2 17.02.2025 Tarea 2. Fecha de entrega: 27 de febrero.
Tarea 2 crimes.dat weather.csv
13 17.02.2025 Manifold learning I: Isomap, SNE y t-SNE, UMap.
Aula 12		 manifold-iris.ipynb manifold-roll.ipynb manifold-digits.ipynb
14 19.02.2025 Manifold learning II: SOM
Aula 13		 som-penguins.ipynb
democracy-index.ipynb
15 24.02.2025 Construcción de densidades empíricas. Ventanas de Parzen. Aula 14  
16 26.02.2025 Agrupamiento jerárquico.
Aula 15		  
17 03.03.2025 K-means, y variantes de K-means.
Aula 16		  
18 05.03.2025 Aplicaciones de K-means. Segmentación de imágenes.
 
19 10.03.2025 Otros métodos de agrupamiento.
Aula 17		  
20 17.03.2025 Métricas para evaluar métodos de agrupamiento. Aula 18  
21 24.03.2025 Presentación del Primer Proyecto.  
22 31.03.2025 Indice de Dunn, índice de Davies-Bouldin. Método de las siluetas.  
23 07.04.2025 Modelación Predictiva. Error empírico y error de generalización. Complejidad. Aula 20  
24 09.04.2025 K Nearest Neighbors (KNN).
Aula 21		  
25 23.04.2025 Clasificador bayesiano óptimo.
Aula 22		  
26 28.04.2025 Ejemplos de clasificador bayesiano. Naïve Bayes. Aula 22  
T3 30.04.2025 Tarea 3. Fecha de entrega: 8 de mayo.
Tarea 3 countries_binary.xlsx
T4 30.04.2025 Tarea 4. Fecha de entrega: 2 de mayo.
Tarea 4
27 05.05.2025 Regresión lineal: OLS, Matriz de diseño y ecuaciones normales.  
28 07.05.2025 Supuestos en OLS, pruebas de hipótesis, gráficos de diagnóstico.  
29 12.05.2025 Presentación de proyectos finales.  
30 14.05.2025 Presentación de proyectos finales.  

Proyectos