1 Temario

1. Introducción a machine learning. Aprendizaje supervisado y no supervisado.
2. La tarea predictiva fundamental y su evaluación. Desempeño de modelos predictivos en el contexto de un problema de decisión.
3. Métodos basados en regresión vs métodos locales
4. Subajuste y sobreajuste
5. Ingeniería de entradas para modelos predictivos
6. Problemas de clasificación. Tipos de error y evaluación
7. Probabilidad en problemas de clasificación
8. Introducción a redes neuronales
9. Ideas básicas para redes neuronales profundas
10. Árboles de decisión
11. Bosques aleatorios
12. Métodos de boosting para árboles
13. Discusión de otros métodos. Implementación exitosa de proyectos de machine learning

1.1 Referencias

• Una buena introducción es Introduction to Statistical Learning, (James et al. 2013)
• Más avanzado, usamos algunos ejemplos y explicaciones: The Elements of Statistical Learning, (Hastie, Tibshirani, and Friedman 2017)
• Muchos ejemplos y código son del libro Tidy Modeling with R. Este libro todavía está en desarrollo.
• Un libro clásico de referencia para redes neuronales es Deep Learning, (Goodfellow, Bengio, and Courville 2016)

1.2 Material

• El código para este curso está en este repositorio de github.
• Notas de clase.
• Usaremos también Rstudio cloud para hacer prácticas optativas

1.3 Instructor

• Felipe González