Aprendizaje automático. Introducción al aprendizaje profundo Carlos Véliz

Prólogo1. Introducción 1.1. El aprendizaje automático 1.2. La minería de datos 1.3. Big Data 1.4. Aprendizaje profundo 2. Preparación y análisis exploratorio de los datos 2.1. Variables y datos 2.2. Análisis exploratorio univariado de los datos 2.2.1. Medidas de localización2.2.2. Medidas de dispersión 2.2.3. Medidas de localización relativas. Los percentiles 2.2.4. El gráfico de caja 2.2.5. Medidas de heterogeneidad para variables categóricas2.2.6. Medidas de forma de la distribución 2.3. Análisis exploratorio multivariado de los datos 2.3.1. Tablas de contingencia de doble entrada 2.3.2. Diagramas de dispersión 2.3.3. Matriz de gráficos de dispersión 2.3.4. La covarianza y la correlación 2.4. Preparación de los datos 2.4.1. Datos atípicos. Tratamiento 2.4.2. Datos faltantes. Tratamiento2.4.3. Transformaciones de los datos 3. Modelos y fundamentos del aprendizaje automático 3.1. Modelos3.1.1. Modelos supervisados y no supervisados 3.1.2. Modelos supervisados de clasificación y regresión3.1.3. Modelos probabilísticos3.1.4. Modelos paramétricos y no paramétricos 3.2. Modelos básicos supervisados3.2.1. El modelo de la regla ingenua 3.2.2. El modelo de los k vecinos más cercanos 3.2.3. El clasificador ingenuo de Bayes 3.3. Modelos básicos no supervisados 3.3.1. El análisis de componentes principales 3.3.2. Análisis de conglomerados 3.3.3. Ándice de similaridad 3.3.4. Distancia entre dos vectores A y B 3.3.5. Técnicas no jerárquicas3.3.6. Reglas de asociación 3.4. Evaluación de modelos3.4.1. Evaluación de la capacidad predictiva de los modelos de regresión 3.4.2. Compromiso sesgo – varianza 3.4.3. Técnicas de evaluación por remuestreo 3.4.4. Evaluación de la capacidad predictiva de un modelo de clasificación 3.4.5. Hiperparámetros 4. El modelo de regresión lineal 4.1. El modelo de regresión lineal simple 4.1.1. Estimación de la recta de regresión 4.1.2. Residuales 4.1.3. Observaciones 4.1.4. Método del gradiente descendente para estimar los coeficientes 4.2. El modelo de regresión lineal múltiple 4.2.1. Adecuación del modelo a los datos disponibles4.2.2. Significancia global e individual de los coeficientes del modelo4.2.3. Predicción4.3. Regresión Ridge y regresión Lasso4.4. Modelo de regresión polinomial4.5. Modelos de regresión con variables independientes cualitativas 5. El modelo de regresión logística 5.1. El modelo de regresión logística binaria 5.2. Estimación de los parámetros 5.3. Interpretación de los resultados5.4. Aprendizaje de los coeficientes en el modelo de regresión logística binaria usando el gradiente descendente 5.5. Evaluación del modelo de regresión logística 5.5.1. Evaluación de la capacidad predictiva del modelo 5.5.2. Evaluación de la capacidad explicativa del modelo5.6. Modelo de regresión logística multinomial 6. Árboles de decisión 6.1. Árboles de clasificación 6.2. Árboles de regresión 6.3. Regresión lineal y árboles de regresión6.4. Métodos agregados 6.4.1. El método bagging 6.4.2. El método bosque aleatorio 6.4.3. El método AdaBoost 6.5. Clases no balanceadas 6.6. Ventajas de los árboles de decisión 6.7. Desventajas de los árboles de decisión 7. Máquinas de vectores de soporte (SVM)7.1. SVM para categorías perfectamente separables linealmente 7.2. SVM para clases de margen blando7.3. SVM para conjuntos no separables linealmente 8. Redes neuronales 8.1. El perceptrón 8.1.1. Aprendizaje o entrenamiento del perceptrón 8.2. El perceptrón multicapa 8.3. Arquitectura de una red neuronal multicapa 8.4. El entrenamiento de una red multicapa. Algoritmo de retropropagación 8.5. La librería Keras y las redes neuronales 9. Aprendizaje profundo. Redes neuronales convolucionales 9.1. Aprendizaje profundo9.2. Redes neuronales convolucionales 9.3. Sistemas de recuperación de imágenes9.4. Sistemas de recomendación a través de imágenes 10. Aprendizaje profundo. Redes neuronales recurrentes 10.1. Redes neuronales recurrentes10.2. Redes neuronales recurrentes LSTMBibliografía Ándice alfabético