Docencia - CS 229

CS 229 - Aprendizaje Automático

Mi hermano gemelo Afshine y yo creamos este conjunto de hojas de referencia ilustradas de Aprendizaje Automático que cubren el contenido de la clase CS 229, de la cual fui asistente de docencia (TA) en el otoño de 2018 en Stanford. Esperamos que (¡con suerte!) puedan ser útiles para todos los futuros estudiantes de este curso, así como para cualquier otra persona interesada en el Aprendizaje Automático.

Hojas de referencia

Aprendizaje supervisado

Función de pérdida, descenso de gradiente, verosimilitud
Modelos lineales, máquinas de vectores de soporte, aprendizaje generativo
Métodos de árboles y de conjunto, k-NN, teoría del aprendizaje

PDF Web

Aprendizaje no supervisado

Esperanza-Maximización, k-means, agrupamiento jerárquico
Métricas de evaluación de agrupamiento
Análisis de componentes principales, análisis de componentes independientes

PDF Web

Aprendizaje profundo

Arquitectura, función de activación, retropropagación, dropout
Capa convolucional, normalización por lotes, tipos de puertas
Procesos de decisión de Markov, ecuación de Bellman, Q-learning

PDF Web

Consejos y trucos

Matriz de confusión, exactitud, precisión, recuperación, puntuación F1, ROC
R cuadrado, CP de Mallow, AIC, BIC
Validación cruzada, regularización, compromiso sesgo/varianza, análisis de errores

PDF Web

Repasos

Probabilidades y estadísticas

Axiomas de probabilidad, permutación, regla de Bayes, independencia, probabilidad condicional
Variable aleatoria, esperanza, varianza
Teorema del límite central, estimación de parámetros

PDF Web

Álgebra lineal y cálculo

Matrices principales, multiplicación, transpuesta, inversa, traza, determinante
Valor propio, vector propio, norma, gradiente, Hessiana
Matriz definida semipositiva, teorema espectral, descomposición en valores singulares

PDF Web

¿Te gustaría ver este conjunto de hojas de referencia en tu idioma nativo? ¡Puedes ayudarnos a traducirlas en GitHub!