(IFCD112) Resolución de problemas multisectoriales: modelos de machine learning, deep learning y uso masivo de datos (Tapa blanda)

(IFCD112) Resolución de problemas multisectoriales: modelos de machine learning, deep learning y uso masivo de datos

"ACERCA DEL AUTOR

CAPÍTULO 1. INTRODUCCIÓN

1.1 TIPOS DE MACHINE LEARNING

1.2 TRATANDO CON DATOS

1.3 MEDICIÓN DE LA CALIDAD

1.4 MEJORA DEL MODELO

CAPÍTULO 2. DATASETS

2.1 DATASET DE DIABETES (REGRESIÓN)

2.2 DATASET BOSTON (REGRESIÓN)

2.3 DATASET DE LIRIOS (CLASIFICACIÓN)

2.4 DATASET DE CÁNCER DE PECHO (CLASIFICACIÓN)

2.5 DATASET DE VINOS (CLASIFICACIÓN)

2.6 DATASET GENERADO MAKE_BLOBS (CLASIFICACIÓN)

2.7 DATASET GENERADO MAKE_REGRESSION (REGRESSION)

2.8 DATASET GENERADO MAKE_MOONS (CLASIFICACIÓN Y CLUSTERING)

2.9 DATASET MNIST (CLASIFICACIÓN)

2.10 CARAS DE OLIVETTI (CLASIFICACIÓN)

2.10.1 Caras etiquetadas "in the wild": LFW (clasificación)

CAPÍTULO 3. REGRESIÓN

3.1 MODELOS DE REGRESIÓN

3.1.1 Regresión lineal (desde cero)

3.1.2 Regresión lineal usando SciKit

3.1.3 Regresión Polinómica (desde cero)

3.1.4 Regresión polinómial desde cero (enfoque de gradiente descendente)

3.1.5 Regresión de los K vecinos más cercanos (K-Nearest Neighbors o KNN) desde cero

3.1.6 Regresión por K vecinos más cercanos (KNN) usando librerías SciKit

3.1.7 Regresión Kernel Gaussiana (Gaussian Kernel Regression) desde cero

3.1.8 Regresión Kernel Gaussiana usando librerías SciKit

3.1.9 Regresión Ridge (forma cerrada)

3.1.10 Ridge Regression usando librerías de SciKit

3.1.11 Regresión Lasso usando librerías de SciKit

3.1.12 Regresión Elastic Net usando librerías de SciKit

3.2 ANÁLISIS DE CALIDAD EN LA REGRESIÓN LINEAL

CAPÍTULO 4. CLASIFICACIÓN

4.1 MODELOS DE CLASIFICACIÓN

4.1.1 Regresión Logística (Logistic Regression) desde cero

4.1.2 Regresión Logística (clasificación) usando librerías SciKit

4.1.3 Clasificación K vecinos más cercanos (K Nearest Neighbours)

4.1.4 Support Vector Machines (SVM) using SciKit libraries

4.1.5 Árboles de Decisión usando librerías de SciKit

4.1.6 Random Forest usando librerías de SciKit

4.2 ANÁLISIS DE CALIDAD DE LOS MÉTODOS DE CLASIFICACIÓN

CAPÍTULO 5. CLUSTERING

5.1 ALGORITMOS DE CLUSTERING

5.1.1 K-Means (K-medias) desde cero

5.1.2 K means usando las librerías de SciKit

5.1.3 DBSCAN basado en densidad, desde cero

5.1.4 DBSCAN basado en densidad, usando SCiKit

5.1.5 Clustering Acumulativo (Agglomerative clustering), usando SciKit

5.2 MEDIDA DE CALIDAD DEL CLUSTERING

CAPÍTULO 6. REDUCCIÓN DE DIMENSIONES

6.1 FACTORIZACIÓN MATRICIAL USANDO SCIKIT

6.2 ANÁLISIS DE COMPONENTES PRINCIPALES (PCA), USANDO SCIKIT

CAPÍTULO 7. REDES NEURONALES

7.1 LA NEURONA BIOLÓGICA

7.2 LA NEURONA ARTIFICIAL

7.3 APRENDIZAJE HEBBIANO

7.4 EL PERCEPTRÓN

7.5 REDES MULTICAPA Y EL ALGORITMO BACK PROPAGATION

7.6 DEMOSTRACIÓN DEL ALGORITMO BACK PROPAGATION

CAPÍTULO 8. CLASIFICACIÓN USANDO REDES NEURONALES

8.1 CLASIFICACIÓN DEL DATASET MNIST

8.2 CLASIFICACIÓN DEL DATASET FASHION MNIST

8.3 CLASIFICACIÓN DEL DATASET CIFAR 100

CAPÍTULO 9. REDES CONVOLUCIONALES

CONCEPTOS BÁSICOS

CAPÍTULO 10. CLASIFICACIÓN USANDO REDES CONVOLUCIONALES EN DATASETS SENCILLOS

10.1 CLASIFICACI