CAP I.

MARCO TEÓRICO
1. Aprendizaje Automático (Machine Learning).
2. Tipos de Aprendizaje Automático.
2.1. Aprendizaje Supervisado.
2.2. Aprendizaje no Supervisado.
2.3. Aprendizaje por Refuerzo.
3. Aprendizaje profundo (Deep Learning).
4. Algoritmos de Aprendizaje Supervisado
4.1. Algoritmos de clasificación.
4.1.1. Análisis Discriminante
4.1.2. Métodos Bayesianos.
4.1.2.1. Redes Bayesianas (Bayesian Networks (BN))
4.1.2.2. BBN(Bayesian Belief Networks)
4.1.2.3. AOE(Average One Depends Estimators)
4.1.2.4. Gaissian Native Bayes
4.1.2.5. Multinomial Native Bayes
4.1.2.6. Bayesiano ingenuo (Naive Bayes).
4.1.3. K-vecinos más cercanos (K-Nearest Neighbors (KNN))
4.1.4. RNA
4.2. Algoritmos de regresión.
4.2.1. Arboles de decisión.
4.2.1.1. C4.5 – C5.0
4.2.1.2. CART(Classification and regresion Tree)
4.2.1.3. CHAID (Chi Squared Automatic Interation Detection)
4.2.1.4. Conditional Decision TREE
4.2.1.5. Decision Strump
4.2.1.6. Inducción con árboles de decisión (Iterative Dichotomiser 3 (ID3))
4.2.1.7. MS
4.2.1.8. Clasificación con regresión usando árbol M5P
4.2.1.9. Clasificador ordinal
4.2.1.10. Best-First Decision Tree
4.2.1.11. J48 pruned tree
4.2.2. Lineal GLM
4.2.3. LOESS(Locally Estimated Scatterplot Smoothing)
4.2.4. MARS(Multivariante Adaptive Regression Splines)
4.2.5. Metodos Ensemble
4.2.5.1. Forest aleatorio
4.2.5.2. GBM(Gradient Boosting Machines)
4.2.5.3. Boosting
4.2.5.4. Bagging(Bootsrapped Agregation)
4.2.5.5. ADA Bosst
4.2.5.6. Stacked Generalization(Blending)
4.2.5.7. GBRT(Gradient Booested Regression Trees)
4.2.6. Regresión de Mínimos Cuadrados Ordinarios (Ordinary Least Squares Regression (OLS)).
4.2.7. Regresión Lineal.
4.2.8. Logistic Regression
4.2.9. Máquinas de Soporte Vectorial (Support Vector Machines (SVM))
4.2.10. Stepwise Regression
4.2.11. RNA
4.2.12. SVR
4.2.13. GPR
4.2.14. Método del descenso del gradiente
5. Algoritmos de Aprendizaje no Supervisado
5.1. Algoritmos de Agrupamiento (Clustering Algorithms).
5.1.1. C-Means
5.1.2. DBSCAN
5.1.3. GMM
5.1.4. Expectation Maximization EM
5.1.5. K-Means
5.1.6. K-Medians
5.1.7. Gauusian Mixture
5.1.8. Hiden Markow
5.1.9. Hierarchical Clustering
5.1.10. PCA
5.1.11. RNA
5.1.12. Descomposición singular de valores (Singular Value Decomposition (SVD))
5.2. Algoritmos de Asociaciones.
5.2.1. AprioriN
5.2.2. EclatN
5.2.3. Rules
5.3. Algoritmos de reducción de la dimensionalidad (Dimensionality Reduction)
5.3.1. Análisis discriminante flexible (Flexible Discriminant Analysis (FDA))
5.3.2. Discriminante lineal de Fisher (FLD(Fisher’s Linear Discriminant))
5.3.3. Análisis lineal discriminante LDA (Linear Discriminant Analysis)
5.3.4. Análisis discriminante de mezcla MDA(Mixture Discriminant Analisys)
5.3.5. Escalamiento Multimensional (MDS (Multidimensional Scaling))
5.3.6. Regresión de mínimos cuadrados parciales (PLSR(Partial Least Squares Regression))
5.3.7. Análisis de Componentes Principales (Principal Components Analysis (PCA))
6. Algoritmos de Aprendizaje por Refuerzo
6.1. Q-Learning,
6.2. SARSA,
6.3. QV-Learning,
6.4. Expected Sarsa,
6.5. Acla
6.6. Cacla.
7. Algoritmos de aprendizaje profundo
7.1. Redes Neuronales Profundas (Deep Neural Networks (DNN)),
7.2. Redes Neuronales Convolucionales (Convolutional Neural Networks (CNN))
7.3. Redes de Creencias Profundas (Deep Belief Networks (DBN)).
8. Herramientas para el aprendizaje profundo
8.1. Caffe
8.2. DEEPNET
8.3. Bi-CNN-MI
8.4. H2o
8.5. Keras
8.6. NNET
8.7. Pytorch
8.8. RNN
8.9. RSNNS
8.10. Torch
9. Software para aprendizaje automático
9.1. Software de código abierto.
9.1.1. TensorFlow.-
9.1.2. Apache Mahout:
9.1.3. Lenguaje R:
 9.1.4. Spark MLlib:
9.1.5. PrediCX
9.1.6. WEKA(Waikato Environment for Knowledge Analysis).
Simple CLI:
Explorer:
Experimenter:
KnowledgeFlow:
9.2. Software Comercial
9.1.1. SPSS Modeler:
9.1.2. Mathematica:
9.1.3. MATLAB
9.1.4. Microsoft Azure Machine Learning:
9.1.5. Neural Designer:
9.1.6. Oracle Data Mining:
9.1.7. Lenguaje Julia.
10. Usos del Machine Learning
10.1. Chat Bots (Asistentes conversacionales).
Cortana
Siri
Google Now.
x.ai es un
10.2. Document Classification
10.3. Report Generation
10.4. Employee Perfomance
10.5. Search Engine Improvement
10.6. Asistentes
Alexa.
Siri
11. Minería de datos (Data Mining).
12. Redes Sociales