Principios de Machine Learning
Una reconstrucción desde los fundamentos matemáticos hasta el algoritmo
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:
0.0.1 💻 Conceptos iniciales
Conceptos iniciales introductorios al mundo del aprendizaje atomático
0.0.2 📐 1. Fundamentos Matemáticos
El lenguaje subyacente del ML. * Espacios vectoriales y matrices. * Gradientes y optimización. * Probabilidad y distribuciones clave.
0.0.3 📐 2. 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.
¿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.
Este libro se genera utilizando Quarto y gráficos vectoriales estáticos (svg), garantizando la máxima nitidez en las demostraciones matemáticas y fórmulas de LaTeX.