2.7. Matemáticas para Ciencia de Datos y Aprendizaje Automático (DSM)

2.7. Matemáticas para Ciencia de Datos y Aprendizaje Automático (DSM)

Esta área proporciona los fundamentos matemáticos subyacentes a la ciencia de datos moderna y el aprendizaje automático. Cubre la teoría de aprendizaje estadístico, métodos de aprendizaje supervisado y no supervisado, técnicas de evaluación de modelos y los principios matemáticos que gobiernan el comportamiento de los algoritmos de aprendizaje. El enfoque está en comprender por qué funcionan los métodos de aprendizaje automático, sus garantías teóricas y sus limitaciones, en lugar de solo su aplicación.

Tabla 2.7: Lista de KUs del área de Matemáticas para Ciencia de Datos y Aprendizaje Automático.

2.7.1. DSM/Fundamentos del Aprendizaje Estadístico  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Compensación sesgo-varianza
  • Teoría de Vapnik-Chervonenkis (VC)
  • Minimización de riesgo empírico
  • Cotass de generalización
  • Fundamentos de teoría de aprendizaje

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Analizar la compensación sesgo-varianza en selección de modelos [Evaluar]
  2. Aplicar teoría VC para analizar complejidad de modelos [Usar]
  3. Implementar minimización de riesgo empírico [Usar]
  4. Interpretar cotas de generalización [Familiarizarse]

2.7.2. DSM/Métodos de Aprendizaje Supervisado  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Modelos lineales y extensiones
  • Máquinas de Vectores Soporte (SVM)
  • árboles de decisión y métodos de ensamblado
  • Métodos de kernel
  • Aprendizaje supervisado probabilístico

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar y analizar modelos lineales [Usar]
  2. Aplicar SVM para clasificación y regresión [Usar]
  3. Construir métodos de ensamblado (bagging, boosting) [Usar]
  4. Usar métodos de kernel para problemas no lineales [Usar]

2.7.3. DSM/Métodos de Aprendizaje No Supervisado  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Algoritmos de clustering (k-means, jerárquico)
  • Reducción de dimensionalidad (PCA, t-SNE)
  • Estimación de densidad
  • Aprendizaje de variedades
  • Autoencoders y aprendizaje profundo no supervisado

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Aplicar algoritmos de clustering para exploración de datos [Usar]
  2. Implementar PCA y otros métodos de reducción de dimensionalidad [Usar]
  3. Usar estimación de densidad para aprendizaje no supervisado [Usar]
  4. Analizar técnicas de aprendizaje de variedades [Evaluar]

2.7.4. DSM/Evaluación y Selección de Modelos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Estrategias de validación cruzada
  • Métricas de rendimiento para clasificación y regresión
  • Comparación de modelos y pruebas estadísticas
  • Optimización de hiperparámetros
  • Curvas de aprendizaje y herramientas de diagnóstico

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar validación cruzada para evaluación de modelos [Usar]
  2. Seleccionar métricas de rendimiento apropiadas [Evaluar]
  3. Comparar modelos usando pruebas estadísticas [Usar]
  4. Optimizar hiperparámetros usando métodos sistemáticos [Usar]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono