Stanford CS229: Aprendizaje Automático por Andrew Ng

📌 ¿De qué trata este curso?

Grabado en las aulas de la Universidad de Stanford, CS229: Machine Learning impartido por Andrew Ng es considerado el curso universitario más influyente en la historia de la inteligencia artificial.

A diferencia de los tutoriales prácticos enfocados únicamente en código de alto nivel, CS229 descompone con rigor matemático los algoritmos fundamentales: derivaciones analíticas del descenso de gradiente, estimación de máxima verosimilitud (MLE), modelos lineales generalizados (GLM), máquinas de soporte vectorial (SVM), el algoritmo EM y aprendizaje por refuerzo con procesos de decisión de Markov (MDP).

Las conferencias completas en video, notas de clase (lecture notes) y conjuntos de problemas están disponibles públicamente y sin costo.

---

🎯 ¿A quién está dirigido?

• Estudiantes de posgrado, investigadores y desarrolladores sénior que desean una base matemática sólida en aprendizaje automático.
• Profesionales que buscan comprender las garantías teóricas y los límites de convergencia de los modelos de optimización.
• Cualquier persona que aspire a una comprensión profunda de las fórmulas y principios que sustentan la IA moderna.

---

📚 Plan de Estudios Principal

1. Aprendizaje Supervisado: Regresión lineal, ecuaciones normales, mínimos cuadrados ponderados y regresión logística.
2. Modelos Lineales Generalizados (GLM): Distribuciones de la familia exponencial y análisis discriminante gaussiano (GDA).
3. Máquinas de Vectores de Soporte (SVM): Márgenes óptimos, multiplicadores de Lagrange y el truco del núcleo (kernel trick).
4. Teoría del Aprendizaje: Límites de generalización, lema de Hoeffding, dimensión VC y selección de modelos.
5. Aprendizaje No Supervisado: Agrupamiento K-means, mezclas de gaussianas y el algoritmo Esperanza-Maximización (EM).
6. Reducción de Dimensionalidad: Análisis de Componentes Principales (PCA) y Análisis de Componentes Independientes (ICA).
7. Aprendizaje por Refuerzo: Procesos de Decisión de Markov (MDP), iteración de valores y aproximación de funciones continuas.