En Aprendizaje Estadístico (AE) se utilizan modelos con los cuales a partir de un conjunto de variables podamos predecir otras, sin importar su tipo, evaluando después el poder predictivo del modelo. Además de este enfoque predictivo o supervisado, en AE podemos hacer análisis no supervisado. En este, todas las variables son analizadas simultáneamente, obteniendo por ejemplo grupos de individuos similares o permitiendo reducir de dimensión a la información. Así mismo, en AE se generalizan técnicas en Estadística clásica al introducir no linealidad, como por ejemplo en algunas variaciones de modelos no lineales de regresión o métodos de clasificación con fronteras de separación entre clases no lineales.
En Ciencia de Datos la relevancia de AE radica en que se introducen modelos, conceptos y el tipo de enfoque estadístico en el que se fundamentan las técnicas de Deep Learning. Así, las redes neuronales introducidas en el curso son el fundamento para generar modelos sofisticados, como aquellos usados en clasificación de imágenes, procesamiento de lenguaje natural o la modelación de secuencias.
Al final de este curso serás capaz de:
- Entender lo que es el problema de Aprendizaje.
- Determinar cómo puede medirse la capacidad predictiva de un modelo en datos nuevos, considerando modelos que dependen de un conjunto de variables (inputs) para determinar el valor de otra variable (output). Implementar estos métodos en software (Python).
- Implementar componentes principales (R) como un método para reducir la cantidad de variables utilizadas en un análisis.
- Implementar a partir de medidas de distancia entre las características de los individuos, la generación de grupos de individuos similares (Python y R).
- Implementar (Python) algoritmos de machine learning como árboles de clasificación o máquinas de soporte vectorial, considerando en el primer caso una alternativa para outputs cuantitativos y en el segundo la no linealidad a través de kernels.
- Entender lo que es una red neuronal, como el ladrillo necesario para aplicar Deep learning. Ser capaz de implementar un perceptrón multicapa (Python). Entender e implementar algunos modelos (arquitecturas) básicos de Deep learning.
- Entender e implementar (Python) clasificadores basados en análisis discriminante, así como modelos no lineales de regresión no paramétrica (R)
INFORMES: lumialearning@gmail.com