Apuntes de Machine Learning

Índice de contenidos

1. Introducción

   • Presentación
   • Contruyendo máquinas capaces de aprender
   • Definiciones: Inteligencia artificial, machine learning y deep learning
   • Tipos de aprendizaje automático: Supervisado vs No Supervisado
   • Ejemplos de uso
   • Python para Machine Learning
   • Workflow para crear nuestro sistema de aprendizaje

2. Configurar nuestro entorno de trabajo

   • Instalación de Python con Anaconda
   • Instalación de paquetes en Python y Conda
   • Manejar entornos virtuales de trabajo: virtualenv
   • Jupyter Notebooks

3. Apuntes de Python

4. Tratamiento y visualización de datos

   • Pandas

     • Introducción a Pandas
     • Leer y escribir nuestros conjuntos de datos
     • Cargar datos de una URL
     • Funciones básicas de Pandas: Resumen, estructura, dimensiones y cabecera
     • Series
     • Dataframes
     • ¿Qué puedo hacer cuando faltan datos en mi Data Set?
     • Groupby
     • Merge, Join y Concat
     • Operaciones básicas
     • Referencias

   • Numpy

     • Introducción a Numpy
     • Numpy Arrays
     • Operaciones básicas
     • Generar números aleatorios
     • Distribución uniforme y normal
     • Generando un dummy data frame

   • Matplotlib

     • Introducción a Matplotlib
     • Operaciones básicas
     • Ejercicios de ejemplo

   • Seaborn

     • Introducción a Seaborn
     • Gráficas de distribución
     • Gráficas tipo categórica
     • Gráficas tipo matricial
     • Mostrar múltiples gráficas
     • Gráficas de regresión
     • Modificar el estilo y color
     • Ejercicios de ejemplo

5. Regresión Lineal

6. Regresión Logística

7. Clústering y Clasificación: K Means

8. Árboles de decisión y bosques aleatorios

9. Máquinas de soporte vectorial

10. K Nearest Neighbors

11. Análisis de componentes principales

12. Sistemas de recomendación

13. Procesamiento de Lenguajes Naturales

14. Redes Neuronales y Deep Learning

    • Introducción a redes neuronales
    • Entrenando redes neuronales
    • El gradiente descendiente
    • Feedforward y Backpropagation
    • Inicialización de los pesos
    • Regresión
    • Análisis de sentimiento
    • Keras y Tensorflow
    • Redes neuronales convolucionales
    • Autoencoders
    • Redes neuronales recurrentes
    • LSTM
    • GANs
    • Aprendizaje por refuerzo