ADM

ADM

1. Metodos de aprendizaje de maquina

   • f(x(i)) = w(x)+b
   • Metricas
     • MSE
       • Desviacion
         • Ecuacion normal
   • Estimacion de costo
     • y = f(x) = w0 + Sumatoria (j=0, d) w[j]*x[j]
   • Regresion logistica
     • h(x)=1 / (1 + exp (-))
       • sigmoide
     • Entropia
       • convex
       • Non-convex
     • Multiclase
       • one vs all
       • softmax
   • Preprocesamiento
     • Estandarizacion de variables
   • Caracteristicas polinomicas
     • Modelo lineal
     • Modelo Polinomico
   • Regularizacion
     • Controlar overfiting
     • L1
       • Lasso
     • L2
       • Ridge
   • Seleccion hiperparametros
     • grid search
     • random search
     • consulta
       • PSO
       • Algoritmos geneticos
       • Optimizacion Bangeriana
   • Regresion Lineal
     • Gradiente descendente
       • W:= w - (tc)*(gd)
     • Ecuacion normal

2. Que es la IA

   • El objetivo es lograr que las computadoras hagan cosas que requieren inteligencia humana

3. Que es Machine Learning?

   • Es una rama de la IA enfocada en usar datos y algoritmos para aprender de los mismos y generar predicciones
   • Aprendizaje supervisado
     • En un tipo de aprendizaje con etiquetado
     • Clasificacion
       • Binaria
       • Multi
     • Regresion
   • Aprendizaje no supervisado
     • En un tipo de aprendizaje sin etiquetado
   • Aprendizaje por refuerxo
   • Modelos generativos

4. Deep learning?

   • Usa algoritmos de redes nuronales artificiales para extraer caracteristicas cada vez mas complejas a partir de datos

5. Como aprender usando ML

   • El algoritmo de ML aprende mendiante un modelo o funcion de hipotesis
   • Parametros
     • -Se establecen mediante entrenamiento
     • Se guardan como parte del modelo
   • Hiperparametros
     • Se establecen antes de entrenar
     • No es necesario giardarlo para reproducir el modelo
   • Datos
     • Entrenamiento
       • Vlaidacion
         • Mejor modelo
       • Modelo
       • Funcion de costo
       • Opimizador
     • Muestras
     • Etiquetas - Targets
     • Caracteristicas

6. Ciclo de vida modelo ML

   • Recolectar datos
   • Preprocesar datos
   • Explorar datos
   • Entrenar el algoritmo
   • Evaluar el algoritmo
   • Utilizar el modelo

7. Taxonomia

   • Estructurados
     • Precios acciones
     • Base datos compras
     • Rastreo web
   • No estructurados
     • Fotografia
     • Documentos
     • Video

8. Metricas

   • Regresion
     • Error cuadratico medio MSE
     • Error absoluto medio MAE
     • Raiz del error cudratico medio RMAE
     • Error absoluto porcentual medio MAPE
   • Clasificacion
     • Accuracy
     • Precision
     • Recall
     • F1 score

9. Sesgo y Varianza

10. Como saber si un modelo generaliza bien?

    • Se debe evaluar el modelo con un conjunto de datos que no se haya entrenado

11. Como obtener mejor modelo

    • Probar modelos hasta tener un buen desempeño con el conjunto d evaludacion

12. Conjuntos de datos

    • Entrenamiento
      • 70%
    • Validacion
      • 15%
      • Validacion cruzada
        • Split
          • { Validation - Training - Training }
            • { Training - Validation - Training }
              • { Training - Training - Validation }
    • Prueba
      • 15%
    • Procesamiento
      • Limpieza
      • Reduccion de dimensionalidad
      • Transformacion
      • Otros
        • one-hot-encoding
          • 1-0
        • Bases desbalanceadas
          • Submuestreo
          • Remuestreo
          • Generacion de datos
        • Datos faltantes
          • Descartar
          • Imputar
        • Estandarizar caracteristicas
          • standardScaler
          • MinMaxScaler

13. Metodos de ensamble

    • Arbole de decision
      • Bi clase
      • Multiclase
    • Modelos de ensamble
      • Clasificacion
        • Tipo de problema
        • Tipo de entrenamiento
        • Variedad de los modelos
    • Baggins
    • Boosting

14. Redes Neuronales

    • Red Neuronal Artificial
      • Regresion logistica
        • Sigmoide
          • Red de una neurona
      • Input
        • Xi ={x1, x2 ... xn}
      • Hidden
        • wx+b
        • 2n
      • Output
        • A1
      • Back-Propagation
    • Redes neuronales profundas
      • No se extraen caracteristicas
      • Librerias
        • TensorFlow
        • PyTorch

Imágenes y archivos del mapa