Aprendizaje de Maquina I

Este repositorio contiene el material de clases (presentaciones, ejercicios y notebooks) para Aprendizaje de Maquina I (CEIA - FIUBA).

Para revisar los criterios de aprobación, ver el documento correspondiente.

Organización del Repositorio

    clase#
        teoria
        ejercicios
        jupyter_notebooks
        README.md

Requerimientos

• Lenguaje de Programación
  • Python >=3.10
  • Poetry (>=1.8) / Pip / Conda para instalar librerías
• Librerías
  • Matplotlib
  • Numpy
  • Optuna
  • Pandas
  • PyTorch
  • Seaborn
  • Scikit-Learn
  • SciPy
  • XGBoost
• Consola Interactiva de Python
  • IPython
• Herramientas
  • GitHub para repositorios
• IDE Recomendados
  • Visual Studio Code
  • PyCharm Community Edition

Poetry

Este repositorio contiene un archivo pyproject.toml para instalar las dependencias usando Poetry

Contenido

Clase 1

• Introducción a la Materia
• Introducción a Machine Learning

Clase 2

• Clasificador KNN
• Medidas de distancia
• Métodos de ajuste de los hiper-parámetros

Clase 3

• Support Vector Machines
• Máquina de vector de soportes como clasificador
• Máquina de vector de soportes como regresión

Clase 4

• Árboles de decisión
• Árboles de regresión
• Árboles de clasificación

Clase 5

• Redes Neuronales
• Perceptrones y neuronas sigmoideas
• Redes Feed-Forward

Clase 6

• Métodos de ensamble
• Boosting, Bagging y Bosques Aleatorios
• Feature Importance

Clase 7

• Aprendizaje no supervisado
• Métodos de clustering
• K-Means
• Métodos de reducción de dimensionalidad

Bibliografía

• Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python - Peter Bruce (Ed. O’Reilly)
• An Introduction to Statistical Learning - Gareth James (Ed. Springer)
• Python Data Science Handbook - Jake VanderPlas
• The Elements of Statistical Learning - Trevor Hastie (Ed. Springer)
• Data Science from Scratch First Principles with Python - Joel Gru (Ed. O’Reilly)
• The Hundred-Page Machine Learning Book - Andriy Burkov (Ed. Burkov)
• Artificial Intelligence for Humans, Volume 1 Fundamental Algorithms - Jeff Heaton (Ed. Heaton Research)
• Artificial Intelligence for Humans, Volume 2 Nature-Inspired Algorithms - Jeff Heaton (Ed. Heaton Research)
• Artificial Intelligence for Humans, Volume 3 Deep Learning and Neural Networks - Jeff Heaton (Ed. Heaton Research)
• Pattern Recognition And Machine Learning - Christopher Bishop (Ed. Springer)
• Deep Learning - Ian Goodfellow

Se recomiendan principalmente los dos primeros libros de esta lista.

---

Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.