International Center for Advanced Studies

Cronograma

Martes Jueves
Marzo
10. Presentación de la materia. Concepto de probabilidad. Probabilidad conjunta, marginal y condicional. Reglas de la suma y el producto. Diferencia entre el enfoque frecuentista y bayesiano. Diapos; Notebook. 12. Introducción a python. Clases de objetos (listas, diccionarios, arreglos). Lectura de datos con numpy y pandas. Visualización de datos (scatter plots, histogramas, box plots, etc.). Notebook.
17.Teorema de Bayes. El problema de las tres puertas. Funciones de distribución de masa. Funciones de densidad de probabilidad. Función de verosimilitud. Priors. Diapos; Notebook Condicional. Notebook Inferencia. 19. Distribución de Poisson. Ejemplos de usos de funciones de distribución en python. Problema de los cumpleaños. Notebook.
24. Feriado 26. Ejemplos de aplicaciones del Teorema de Bayes. A/B testing bayesiano. Ejemplo con distribución multinomial
Abril
31. Feriado (2 de abril) 2. La distribución normal, binormal y multinormal. Diapos; Notebook.
7. Modelos lineales. Regresión lineal. Entrenamiento y validación. Sobreajuste. Diapos; Notebook. 9. Feriado
14. Más de sobreajuste, validación cruzada (K-folding). Regularización (ridge, lasso, ElasticNet). Técnicas de optimización. Diapos; Notebook 16. Resolución de ejercicios de modelos lineales para regresión.
21. Clasificación usando modelos lineales. Discriminante lineal de Fischer. Perceptrón. Diapos; Notebook 23. Consultas.
28. Examen 30. Ejercicios de clasificación usando modelos lineales. Diapos; Notebook
Mayo
5. Más de clasificación con modelos lineales. Modelos discriminativos. Regresión logística. IRLS. Diapos; Notebook 7. Resolución del primer parcial. Parcial resuelto.
12. Support Vector Machines (SVM). Problema dual y truco del kernel. SVM para clasificación y para regresión. Diapos; Notebook Clasificación Multiclase; Notebook SVM 14.
19. Modelos generativos. Naive Bayes. Combinación de modelos. Árboles de decisión. Diapos; Notebook. 21. Métodos de ensemble. Voting classifiers, bagging. Random forests. Notebook.
26. Métodos de ensemble. Descomposición sesgo-varianza. Comités. Bagging. Boosting (AdaBoost y Gradient Boost). Stacking. Diapos; Notebook. 28.
Junio
2. Redes Neuronales I (Fully-connected, perceptron)4.
9.Redes Neuronales II (convolucional, autoencoder)11.
16. Redes Neuronales III (GANNs, LSTM); Transfer learning18.
23. Examen25.
Julio
30. 2.