El objetivo de este curso es brindar una primera aproximación a algunos conceptos fundamentales de Machine Learning: hiperparámetros, sesgo-varianza, flujo de trabajo, error de generalización, serán algunos de los conceptos a trabajar.
-
Unidad 1. Modelos de aprendizaje automático: fundamentos conceptuales, diferencias con el enfoque estadístico tradicional.
-
Unidad 2. Problemas de clasificación y regresión. Aprendizaje supervisado y no supervisado. Modelos simples y ensambles de modelos. CART, Bagging, Random Forest y Boosting.
-
Unidad 3. Interpretable Machine Learning. Haciendo interpretables modelos de "caja negra".
- Explicación y práctica - Notebook
- Explicación y práctica - RCode
- Slides Intro ML - pdf
- Slides Over-Under fitting - pdf
Pueden descargarse la totalidad de los materiales del repositorio para trabajar en un único archivo .zip
- Repaso - cross validation y train test desde cero - Notebook
- Explicación y práctica guiada - Notebook
- Explicación y práctica guiada - RCode
- Slides CART - pdf
Pueden descargarse la totalidad de los materiales del repositorio para trabajar en un único archivo .zip
- Slides Bagging/RF - pdf
- Repaso flujo de trabajo
- Explicación y práctica guiada - Clasificación - Notebook
- Explicación y práctica guiada - Clasificación - RCode
- Slides Boosting - pdf
- Intuición Gradient Boosting Machine - Notebook
- Intuición Gradient Boosting Machine - RCode
- Consignas práctica independiente - Notebook
- Soluciones práctica independiente - Notebook
- Interpretable ML - Notebook
- Interpretable ML - RCode
- Consignas práctica independiente - Notebook
- Soluciones práctica independiente - Notebook
El taller se desarrollará en R y se hará un uso extensivo de las siguientes librerías:
tidyversecaret
Pueden instalarse utilizando las instrucciones:
install.packages('tidyverse')
install.packages('caret')