1. Aprendizaje supervisado

• 1.1. Modelos lineales
  • 1.1.1. Mínimos Cuadrados Ordinarios
  • 1.1.2. Regresión de cresta y clasificación
  • 1.1.3. Lasso
  • 1.1.4. Lasso multitarea
  • 1.1.5. Elastic-Net
  • 1.1.6. Elastic-Net multitarea
  • 1.1.7. Regresión de ángulo mínimo
  • 1.1.8. LARS Lasso
  • 1.1.9. Búsqueda de coincidencias ortogonales (OMP)
  • 1.1.10. Regresión bayesiana
  • 1.1.11. Regresión logística
  • 1.1.12. Regresión lineal generalizada
  • 1.1.13. Descenso de gradiente estocástico - SGD
  • 1.1.14. Perceptrón
  • 1.1.15. Algoritmos pasivo-agresivos
  • 1.1.16. Regresión robusta: valores atípicos y errores de modelización,
  • 1.1.17. Regresión polinómica: ampliación de los modelos lineales con funciones de base
• 1.2. Análisis Discriminante Lineal y Cuadrático
  • 1.2.1. Reducción de dimensionalidad usando el Análisis Discriminante Lineal
  • 1.2.2. Formulación matemática de los clasificadores ADL y ADQ
  • 1.2.3. Formulación matemática de la reducción de dimensionalidad del ADL
  • 1.2.4. Estimador de Reducción y Covarianza
  • 1.2.5. Algoritmos de estimación
• 1.3. Regresión de cresta de núcleo
• 1.4. Máquinas de Vectores de Soporte
  • 1.4.1. Clasificación
  • 1.4.2. Regresión
  • 1.4.3. Estimación de la densidad, detección de novedades
  • 1.4.4. Complejidad
  • 1.4.5. Consejos de Uso Práctico
  • 1.4.6. Funciones del núcleo
  • 1.4.7. Formulación matemática
  • 1.4.8. Detalles de implementación
• 1.5. Descenso de Gradiente Estocástico
  • 1.5.1. Clasificación
  • 1.5.2. Regresión
  • 1.5.3. Descenso de Gradiente Estocástico para datos dispersos
  • 1.5.4. Complejidad
  • 1.5.5. Criterio de parada
  • 1.5.6. Consejos de Uso Práctico
  • 1.5.7. Formulación matemática
  • 1.5.8. Detalles de implementación
• 1.6. Vecino más cercano
  • 1.6.1. Vecinos más cercanos no supervisados
  • 1.6.2. Clasificación de los vecinos más cercanos
  • 1.6.3. Regresión de vecinos más cercanos
  • 1.6.4. Algoritmos del vecino más cercano
  • 1.6.5. Clasificador de centroides más cercano
  • 1.6.6. Transformador de vecinos más cercanos
  • 1.6.7. Análisis de componentes del vecindario
• 1.7. Procesos Gaussianos
  • 1.7.1. Regresión de Procesos Gaussianos (GPR)
  • 1.7.2. Ejemplos de GPR
  • 1.7.3. Clasificación de Procesos Gaussianos (GPC)
  • 1.7.4. Ejemplos de GPC
  • 1.7.5. Núcleos para procesos gaussianos
• 1.8. Descomposición cruzada
  • 1.8.1. PLSCanonical
  • 1.8.2. PLSSVD
  • 1.8.3. PLSRegression
  • 1.8.4. Análisis de Correlación Canónica
• 1.9. Bayesiano ingenuo
  • 1.9.1. Bayesiano ingenuo Gaussiano
  • 1.9.2. Bayesiano ingenuo multinomial
  • 1.9.3. Complemento de Bayesiano ingenuo
  • 1.9.4. Bayesiano ingenuo de Bernoulli
  • 1.9.5. Bayesiano ingenuo categórico
  • 1.9.6. Ajuste del modelo de Bayesiano ingenuo fuera del núcleo
• 1.10. Árboles de decisión
  • 1.10.1. Clasificación
  • 1.10.2. Regresión
  • 1.10.3. Problemas de salida múltiple
  • 1.10.4. Complejidad
  • 1.10.5. Consejos sobre uso práctico
  • 1.10.6. Algoritmos de árbol: ID3, C4.5, C5.0 y CART
  • 1.10.7. Formulación matemática
  • 1.10.8. Poda de Coste-Complejidad Mínima
• 1.11. Métodos combinados
  • 1.11.1. Metaestimador de bagging
  • 1.11.2. Bosques de árboles aleatorios
  • 1.11.3. AdaBoost
  • 1.11.4. Gradient Tree Boosting
  • 1.11.5. Boosting por gradientes basado en Histogramas
  • 1.11.6. Clasificador de voto
  • 1.11.7. Regresor de voto
  • 1.11.8. Generalización apilada
• 1.12. Algoritmos multiclase y multisalida
  • 1.12.1. Clasificación multiclase
  • 1.12.2. Clasificación multietiqueta
  • 1.12.3. Clasificación multiclase y multisalida
  • 1.12.4. Regresión de salida múltiple
• 1.13. Selección de características
  • 1.13.1. Remover características con varianza baja
  • 1.13.2. Selección de características univariantes
  • 1.13.3. Eliminación recursiva de características
  • 1.13.4. Selección de características mediante SelectFromModel
  • 1.13.5. Selección secuencial de características
  • 1.13.6. Selección de rasgos como parte de un pipeline
• 1.14. Aprendizaje semi supervisado
  • 1.14.1. Auto entrenamiento
  • 1.14.2. Propagación de etiquetas
• 1.15. Regresión isotónica
• 1.16. Calibración de probabilidad
  • 1.16.1. Curvas de calibración
  • 1.16.2. Calibrar un clasificador
  • 1.16.3. Uso
• 1.17. Modelos de redes neuronales (supervisadas)
  • 1.17.1. Perceptrón multicapa
  • 1.17.2. Clasificación
  • 1.17.3. Regresión
  • 1.17.4. Regularización
  • 1.17.5. Algoritmos
  • 1.17.6. Complejidad
  • 1.17.7. Formulación matemática
  • 1.17.8. Consejos de Uso Práctico
  • 1.17.9. Más control con warm_start