_____________________________________________________________________________________


Bloque 0 - Introducción al Aprendizaje Estadístico y Máquina

0.1. Conceptos de estimación y clasificación

0.2. Ejemplos de aplicación de las técnicas de estimación y clasificación

0.3. Métodos analíticos, semianalíticos y máquina

0.4. Prerrequisitos


Bloque 1 - Estimación Analítica y Máquina

1.1. Visión general de la estimación: enfoques analítico y máquina

1.2. Diseño de estimadores bajo enfoque analítico

* Estimación ML de parámetro determinista

* Teoría bayesiana de la estimación.  Funciones de coste.  Estimación MSE, ML y MAP.  Caso gaussiano

* Estimación lineal de mínimo error cuadrático medio

* Sesgo y varianza de estimadores

1.3. Diseño de estimadores bajo enfoque máquina

* Diseño máquina de estimadores: procedimiento general

* Regresión lineal de mínimos cuadrados

* Regresión semilineal


Bloque 2 - Decisión Analítica y Máquina

2.1. Visión general del problema de decisión: enfoques analítico y máquina

2.2. Diseño de decisores bajo enfoque analítico

* Decisión ML y MAP

* Minimización del Coste Medio: decisor bayesiano óptimo

* Caso binario.  Tests LRT.  Probabilidades de Falsa Alarma, Pérdida y Detección.  Curvas características (OC).  Caso con verosimilitudes gaussianas

2.3. Diseño de clasificadores bajo enfoque máquina

* Conjuntos de entrenamiento, validación y test.  Generalización.

* Clasificadores máquina lineales

* Clasificadores máquina no lineales: enfoque semilineal


Bloque 3 - Filtrado de Series Temporales

3.1. Introducción al filtrado lineal.

3.2. Solución ML, Wiener, Bayesiana

3.3. Filtrado online.


Last modified: Wednesday, 23 March 2022, 9:46 AM