Machine Learning

ISLP completo, después ESL y deep learning

Cada capítulo de ISLP son cuatro lecciones: derivación, visual interactivo, implementación desde cero y lab de producción. Dos semanas por capítulo.

Fase 2 — ISLP, los 13 capítulos

01L2Aprendizaje estadístico: sesgo, varianza y errorISLP 2

02L3Regresión linealISLP 3

03L3Clasificación: logística, LDA y QDAISLP 4

04L3Remuestreo: validación cruzada y bootstrapISLP 5

05L3Selección de variables y regularizaciónISLP 6

06L3Más allá de lo lineal: splines y GAMsISLP 7

07L3Árboles de decisiónISLP 8

08L3Bagging, random forest y boostingISLP 8

09L3Máquinas de vectores de soporteISLP 9

10L3Redes neuronales, primera vueltaISLP 10

11L3Análisis de supervivencia y datos censuradosISLP 11

12L3Aprendizaje no supervisado: PCAISLP 12

13L3Clustering: K-means y jerárquicoISLP 12

14L3Pruebas múltiplesISLP 13

Fase 4 — ESL, lo que ISLP abrevia

15L2Panorama supervisado: kNN, mínimos cuadrados y la maldición de la dimensiónESL 2

16L3Geometría de mínimos cuadradosESL 3

17L3Least Angle RegressionESL 3

18L3Métodos lineales de clasificación: LDA, logística y perceptrónESL 4

19L3Expansiones en base y splines de suavizadoESL 5

20L2Selección de modelos: AIC, BIC y MDL derivadosESL 7

21L2Descomposición sesgo-varianza, formalESL 7

22L3El algoritmo EMESL 8

23L3Modelos aditivos y MARSESL 9

24L3Boosting como descenso funcionalESL 10

25L3Reglas de asociación y market basketESL 14

26L3Clustering avanzado: espectral, SOM y NMFESL 14

27L2Por qué funciona random forestESL 15

Fase 4 — Deep learning desde los cimientos

28L3Backpropagation derivada a mano—

29L3Red densa desde cero en NumPy—

30L2Inicialización y funciones de activación—

31L3Optimizadores: SGD, momentum y Adam, derivados—

32L3Regularización y dropout—

33L3Convolución y visiónfast.ai

Note

Las lecciones en gris todavía no están publicadas. Se escriben a medida que avanzas: los viernes pides los temas de la semana siguiente y el lunes están online.