Principios de Machine Learning
Bienvenido al lienzo de trabajo de este libro. El objetivo central de este recurso es desmitificar las “cajas negras” del aprendizaje automático, reconstruyendo cada algoritmo paso a paso a partir de sus cimientos en álgebra lineal, cálculo multivariable y optimización.
Ruta de Aprendizaje
El material está estructurado de forma secuencial para garantizar una curva de aprendizaje sólida:
Conceptos iniciales
Conceptos iniciales introductorios al mundo del aprendizaje atomático
Fundamentos Matemáticos
El lenguaje subyacente del ML. * Espacios vectoriales y matrices. * Gradientes y optimización. * Probabilidad y distribuciones clave.
Algoritmos clásicos
Los métodos fundamentales del aprendizaje automático tradicional. * Modelos lineales para regresión y clasificación. * Árboles de decisión y métodos ensemble. * Algoritmos basados en distancias y modelos probabilísticos.
Evaluación y Mejora de Modelos
Cómo saber si un modelo funciona de verdad y cómo entrenarlo mejor. * Validación cruzada y métricas de evaluación. * Sesgo, varianza y regularización. * Optimizadores, normalización y dropout.
Ingeniería de Características
Preparar los datos suele importar más que elegir el algoritmo. * Selección y extracción de características. * Valores faltantes, escalado y codificación. * Reducción de dimensionalidad y pipelines reproducibles.
Redes Neuronales
De la neurona al transformer, reconstruido paso a paso. * Fundamentos, propagación hacia adelante y retropropagación. * Visión por computadora: CNN, detección y segmentación. * Modelos secuenciales: RNN, LSTM, atención y transformers.
¿Cómo abordar este libro?
- Sigue el orden: Cada sección matemática está directamente conectada con el algoritmo que se construye en el capítulo posterior.
- Interactúa con el código: Todos los bloques de código están diseñados para ser reproducibles.
- Consulta la Bibliografía: Encontrarás las fuentes de teoremas y papers seminales utilizados para esta reconstrucción.
Nota de compilación
Este libro se genera utilizando Quarto y gráficos vectoriales estáticos (svg), garantizando la máxima nitidez en las demostraciones matemáticas y fórmulas de LaTeX.