Enseñando  
Español

CS 229 ― Aprendizaje automático
Star


Hoja de referencia


Aprendizaje Supervisado
  • • Función de pérdida, descenso de gradiente, verosimilitud
  • • Modelos lineales, máquinas de vectores de soportes, aprendizaje generativo
  • • Métodos basados en árboles y conjuntos, k-NN, teoría del aprendizaje
Aprendizaje no Supervisado
  • • Expectativa-Maximización, k-means, Agrupación jerárquica
  • • Métricas de evaluación de agrupamiento
  • • Análisis de componentes principales, análisis de componentes independientes
Aprendizaje profundo
  • • Arquitectura, función de activación, retropropagación, retiro
  • • Capa convolucional, normalización por lotes, tipos de puerta
  • • Procesos de decisión de Markov, ecuación de Bellman, Q-learning
Consejos y trucos
  • • Matriz de confusión, exactitud, precisión, exhaustividad, F1 score, ROC
  • • R cuadrado, Cp de Mallow, AIC, BIC
  • • Validación cruzada, regularización, corrección de sesgo/varianza, análisis de errores

Repaso


Probabilidades y Estadísticas
  • • Axiomas de la probabilidad, permutación, regla de Bayes, independencia, probabilidad condicional
  • • Variables aleatorias, valor esperado, varianza
  • • Teorema del Límite Central, estimación de parámetros
Álgebra Lineal y Cálculo
  • • Matrices principales, multiplicación, transpuesta, inversa, traza, determinante
  • • Valor propio, vector propio, norma, gradiente, Hessiana
  • • Matriz semi-definida positiva, teorema espectral, descomposición en valores singulares