Prólogo . ix
CAPÍTULO 1. Fundamentos del Machine Learning . 1
1.1. Introducción .. 2
1.2. Conceptos sobre datos . 2
1.3. Conceptos sobre aprendizaje 3
1.4. Tipos de problemas 4
1.5. Tipos de datos .. 4
1.6. Tipos de aprendizajes 5
1.7. Etapas de implementación del aprendizaje máquina .. 6
1.8. Exploración y preparación de datos .. 7
1.9. Visualización de datos 15
Referencias 20
CAPÍTULO 2. Bases matemáticas .. 21
2.1. Introducción 22
2.2. Probabilidad 22
2.2.1. Variables aleatorias discretas .. 22
2.2.2. Reglas fundamentales . 23
2.2.2.1. Probabilidad de la unión de dos elementos .. 23
2.2.2.2. Probabilidad de la intersección de dos elementos . 23
2.2.2.3. Probabilidad condicional . 24
2.2.3. Algunas distribuciones comunes 25
2.2.3.1. Distribución binomial y Bernoulli 25
2.2.3.2. Distribución multinomial . 26
2.2.3.3. Distribución de Poisson 27
2.2.3.4. Distribución uniforme 27
2.2.3.5. Distribución normal (gaussiana) .. 28
2.3. Estadística. 29
2.3.1. Medidas de tendencia central . 30
2.3.1.1. Media aritmética . 31
2.3.1.2. Mediana 31
2.3.1.3. Moda . 31
2.3.2. Medidas de variabilidad . 34
2.3.2.1. Varianza 35
2.3.2.2. Desviación estándar .. 35
2.3.2.3. Rango . 36
2.3.3. Herramientas gráficas . 38
2.3.3.1. Gráfica de líneas .. 38
2.3.3.2. Gráfica de barras . 39 2.3.3.3. Gráfica de cajas. 42
2.3.3.4. Histograma . 44
2.4. Álgebra lineal .. 46
2.4.1. Vectores y matrices .. 46
2.4.2. Suma, resta y producto escalar de vectores 46
2.4.3. Norma vectorial .. 47
2.4.3.1. Norma L1 .. 47
2.4.3.2. Norma L2 .. 48
2.4.4. Matrices.. 48
2.4.4.1. Suma, resta y multiplicación de matrices 49
2.4.4.2. Multiplicación escalar de una matriz . 49
2.4.4.3. Multiplicación de matrices . 50
2.4.5. Tipo de matrices . 51
2.4.6. Descomposición de matrices .. 53
2.4.6.1. Descomposición LU 53
2.4.6.2. Descomposición de los valores y vectores propios 54
Referencias 55
CAPÍTULO 3. Clasificación 57
3.1. Introducción 58
3.2. Vecinos cercanos (k-NN) .. 58
3.2.1. Ejemplo de clasificación utilizando k-NN en MATLAB . 61
3.3. Regresión logística 62
3.3.1. Ejemplo de clasificación utilizando la regresión logística
en MATLAB 63
3.4. Naive Bayes . 64
3.4.1. Teorema de Bayes . 65
3.4.2. Clasificador Naive Bayes . 65
3.4.3. Ejemplo de clasificación Naive Bayes utilizando MATLAB 67
3.5. Análisis del discriminante de Fisher 68
3.5.1. Ejemplo de clasificación mediante discriminante de Fisher
utilizando MATLAB 71
3.6. Máquina de vector soporte (SVM) .. 73
3.6.1. Ejemplo de clasificación con máquina vector soporte
utilizando MATLAB 78
Referencias 79
CAPÍTULO 4. Regresión lineal . 81
4.1. Introducción 82
4.2. Regresión lineal simple .. 83
4.3. Mínimos cuadrados . 85
4.4. Gradiente descendente en regresión lineal simple . 90
4.5. Ecuación normal en regresión lineal simple 95
4.6. Regresión lineal múltiple 101
Referencias . 110
CAPÍTULO 5. Agrupamiento (clustering) . 111
5.1. Introducción . 112
5.2. Algoritmo de K-means . 112
5.2.1. El uso de K-means en MATLAB . 116
5.3. Método de expectación-maximización .. 118
5.3.1. Modelos de mezclas gaussianas .. 118
5.3.2. Estimación de máxima probabilidad . 119
5.3.3. EM en una dimensión 120
5.3.4. EM en varias dimensiones .. 123
5.4. Agrupación jerárquica . 128
5.4.1. Medidas de similaridad entre los clústeres 130
5.5. El algoritmo de Fuzzy C-means 134
Referencias . 137
CAPÍTULO 6. Reducción de dimensionalidad 139
6.1. Introducción . 140
6.2. Análisis de componentes principales (PCA) . 140
6.2.1. Ejemplo en MATLAB de análisis de componentes
principales (PCA) . 144
6.3. Análisis de componentes independientes (ICA) . 146
6.3.1. Distribuciones gaussianas no permitidas 147
6.3.2. Estimación de máxima probabilidad . 148
6.3.3. Ejemplo en MATLAB de análisis de componentes
independientes (ICA) . 149
6.4. Análisis de factor (FA) .. 151
6.4.1. Ejemplo en MATLAB de análisis de factor (FA) 153
Referencias . 155
CAPÍTULO 7. Métodos unidos . 157
7.1. Árboles de decisión .. 158
7.2. Algoritmo CART .. 160
7.3. Árboles de decisión para clasificación . 160
7.4. Árboles de decisión para regresión .. 163
7.5. Funciones de MATLAB para árboles de decisión 164
7.6. El método Bootstrap 170
Referencias . 174
CAPÍTULO 8. Reconocimiento de objetos .. 175
8.1. Comparación en imágenes a escala de grises . 176
8.2. Distancia entre patrones 177
8.3. Distancia y correlación 181
8.4. La correlación cruzada normalizada . 184
8.5. Coeficiente de correlación 186
8.6. Reconocimiento de patrones usando el coeficiente de correlación 190
8.7. Comparación de imágenes binarias . 196
8.7.1. La transformación de distancia 196
8.7.2. El algoritmo de Chamfer . 198
8.8. Índice de relación de Chamfer 202
Referencias . 206
CAPÍTULO 9. Estadística inferencial .. 207
9.1. Introducción . 208
9.2. Distribución de muestreo .. 209
9.2.1. Distribución normal 210
9.2.2. Distribución t . 216
9.3. Estimación de parámetros 221
9.3.1. Estimación por intervalos 223
9.4. Pruebas de hipótesis 227
Referencias . 231
CAPÍTULO 10. Evaluación del desempeño . 233
10.1. Introducción .. 233
10.2. Ajustes sobre las predicciones de un clasificador .. 234
10.2.1. Tipos de errores 236
10.2.2. Matriz de confusión 236
10.3. Métricas para clasificadores .. 236
10.3.1. Exactitud (ACC) .. 237
10.3.2. Razón de falsos positivos (FPR) . 237
10.3.3. Sensibilidad (VPR) . 237
10.3.4. Especificidad (SPC) .. 237
10.3.5. Precisión 237
10.3.6. F1 .. 238
10.3.7. F2 .. 238
10.4. Curva ROC 238
10.5. El balance entre el sesgo y la varianza . 239
10.6. Evaluación de modelos . 240
10.6.1. Técnicas comunes de validación cruzada . 241
10.7. Métricas de error en regresores lineales 243
Referencias . 245