Читать книгу Introducción al Machine Learning con MATLAB - Erik Cuevas Jiménez - Страница 5
Índice general
ОглавлениеCAPÍTULO 1. Fundamentos del Machine Learning
1.3. Conceptos sobre aprendizaje
1.7. Etapas de implementación del aprendizaje máquina
1.8. Exploración y preparación de datos
2.2.1. Variables aleatorias discretas
2.2.2.1. Probabilidad de la unión de dos elementos
2.2.2.2. Probabilidad de la intersección de dos elementos
2.2.2.3. Probabilidad condicional
2.2.3. Algunas distribuciones comunes
2.2.3.1. Distribución binomial y Bernoulli
2.2.3.2. Distribución multinomial
2.2.3.3. Distribución de Poisson
2.2.3.4. Distribución uniforme
2.2.3.5. Distribución normal (gaussiana)
2.3.1. Medidas de tendencia central
2.3.2. Medidas de variabilidad
2.4.2. Suma, resta y producto escalar de vectores
2.4.4.1. Suma, resta y multiplicación de matrices
2.4.4.2. Multiplicación escalar de una matriz
2.4.4.3. Multiplicación de matrices
2.4.6. Descomposición de matrices
2.4.6.2. Descomposición de los valores y vectores propios
3.2.1. Ejemplo de clasificación utilizando k-NN en MATLAB
3.3.1. Ejemplo de clasificación utilizando la regresión logística en MATLAB
3.4.2. Clasificador Naive Bayes
3.4.3. Ejemplo de clasificación Naive Bayes utilizando MATLAB
3.5. Análisis del discriminante de Fisher
3.5.1. Ejemplo de clasificación mediante discriminante de Fisher utilizando MATLAB
3.6. Máquina de vector soporte (SVM)
3.6.1. Ejemplo de clasificación con máquina vector soporte utilizando MATLAB
4.4. Gradiente descendente en regresión lineal simple
4.5. Ecuación normal en regresión lineal simple
4.6. Regresión lineal múltiple
CAPÍTULO 5. Agrupamiento (clustering)
5.2.1. El uso de K-means en MATLAB
5.3. Método de expectación-maximización
5.3.1. Modelos de mezclas gaussianas
5.3.2. Estimación de máxima probabilidad
5.3.4. EM en varias dimensiones
5.4.1. Medidas de similaridad entre los clústeres
5.5. El algoritmo de Fuzzy C-means
CAPÍTULO 6. Reducción de dimensionalidad
6.2. Análisis de componentes principales (PCA)
6.2.1. Ejemplo en MATLAB de análisis de componentes principales (PCA)
6.3. Análisis de componentes independientes (ICA)
6.3.1. Distribuciones gaussianas no permitidas
6.3.2. Estimación de máxima probabilidad
6.3.3. Ejemplo en MATLAB de análisis de componentes independientes (ICA)
6.4.1. Ejemplo en MATLAB de análisis de factor (FA)
7.3. Árboles de decisión para clasificación
7.4. Árboles de decisión para regresión
7.5. Funciones de MATLAB para árboles de decisión
CAPÍTULO 8. Reconocimiento de objetos
8.1. Comparación en imágenes a escala de grises
8.4. La correlación cruzada normalizada
8.5. Coeficiente de correlación
8.6. Reconocimiento de patrones usando el coeficiente de correlación
8.7. Comparación de imágenes binarias
8.7.1. La transformación de distancia
8.7.2. El algoritmo de Chamfer
8.8. Índice de relación de Chamfer
CAPÍTULO 9. Estadística inferencial
9.3.1. Estimación por intervalos
CAPÍTULO 10. Evaluación del desempeño
10.2. Ajustes sobre las predicciones de un clasificador
10.3. Métricas para clasificadores
10.3.2. Razón de falsos positivos (FPR)
10.5. El balance entre el sesgo y la varianza
10.6.1. Técnicas comunes de validación cruzada
