1.
luca-d3.com

2.
luca-d3.com

3.
1.3.1 ¿Qué es el Machine Learning?

4.
1.3.2 Qué es un modelo de Machine Learning?
1.3. 3 Qué es un algoritmo de Machine Learning?

5.
1.3.4 Paradigma de aprendizaje supervisado

6.
1.3.5 Paradigma de aprendizaje no supervisado





7.
1.3. 6 Aprendizaje reforzado






1.3.7 ¿Qué es entrenar en Machine Learning?
1.3.8 ¿Qué es Deep Learning?

8.



1.3.9 La neurona y el perceptrón

9.
0.5 (0 𝑜 1)
1.3.10 ¿Qué es una red neuronal?

10.
1.3.11Teoría de Modelos Generativos
𝑌
𝑃(𝑌|𝑋 = 𝑥)
X Y P(X,Y)
1.3.12 Variational Autoencoders

11.
𝑌
𝑋 𝑋 𝑋
X X

12.
(𝑧)
 𝑥
 𝑥(𝑥)
 𝑥 𝑥 ∈ 𝑥 𝑥×𝑥
𝑥 × 𝑥
 𝑥 𝑥 ∈ 𝑥 𝑥
𝑥 = 𝑥(𝑥𝑥1 + 𝑥1 )
𝑥′
= 𝑥(𝑥𝑥2 + 𝑥2)
x 𝑥′
𝑥2
𝐿 = 𝑥(𝑥, 𝑥′
) = ||𝑥 − 𝑥′
||
𝑥
𝑥(𝑥, 𝑥′
) = − ∑ 𝑥 𝑥
′
𝑥𝑥𝑥 𝑥𝑥𝑥 𝑥 𝑥
𝑥
𝑥=1
𝑥

13.
𝑝_𝜃 𝜃 𝑥 𝑧
 𝑥 𝑥(𝑥)
 𝑥 𝑥(𝑥|𝑥)
 𝑥 𝑥(𝑥|𝑥)
𝑥∗
𝑥(𝑥)
 𝑥(𝑥)
𝑥 𝑥∗(𝑥)
 𝑥 𝑥∗(𝑥|𝑥 = 𝑥(𝑥)
) 𝑥(𝑥)
𝑥∗
𝑥∗
= arg max(∏ 𝑥 𝑥(𝑥(𝑥)
)
𝑥
) = arg max (∑ log 𝑥 𝑥(𝑥(𝑥)
)
𝑥
)

14.
𝑥 𝑥(𝑥(𝑥)
) = ∫ 𝑥 𝑥(𝑥(𝑥)
|𝑥) 𝑥 𝑥(𝑥)𝑥𝑥
𝑥 𝑥(𝑥(𝑥)
|𝑥) z
𝑥 𝑥 𝑥(𝑥│𝑥)
ϕ
𝑝 𝜃
𝑞 𝜙 (𝑧|𝑥) 𝑝 𝜃
 𝑥 𝑥(𝑥|𝑥)
 , 𝑥 𝑥(𝑥│𝑥)
𝑥 𝑥(𝑥│𝑥) 𝑥 𝑥(𝑥|𝑥)
𝑥 𝑥𝑥(𝑥|𝑥)
𝑥 𝑥𝑥(𝑥 𝑥(𝑥│𝑥)||𝑥 𝑥(𝑥|𝑥)) ϕ
𝑥 𝑥𝑥 (𝑥 𝑥(𝑥|𝑥)||𝑥 𝑥(𝑥│𝑥))
𝑥 𝑥𝑥 (𝑥 𝑥(𝑥│𝑥)||𝑥 𝑥(𝑥|𝑥))
= ∫ 𝑥 𝑥(𝑥|𝑥) log
𝑥 𝑥( 𝑥| 𝑥)
𝑥 𝑥( 𝑥| 𝑥)
𝑥𝑥
= log 𝑥 𝑥(𝑥) + 𝑥 𝑥𝑥(𝑥 𝑥(𝑥|𝑥) ∥ 𝑥 𝑥(𝑥)) − 𝑥 𝑥∼𝑥 𝑥( 𝑥| 𝑥) log 𝑥 𝑥(𝑥|𝑥)

15.
log 𝑥 𝑥(𝑥) − 𝑥 𝑥𝑥(𝑥 𝑥(𝑥|𝑥)||𝑥 𝑥(𝑥|𝑥)) = 𝑥 𝑥∼𝑥 𝑥( 𝑥| 𝑥) log 𝑥 𝑥(𝑥|𝑥) − 𝑥
𝑥𝑥
(𝑥 𝑥(𝑥|𝑥) ∥ 𝑥 𝑥(𝑥))
log 𝑥 𝑥(𝑥)
𝑥 𝑥𝑥(𝑥 𝑥(𝑥│𝑥)||𝑥 𝑥(𝑥|𝑥))
𝑥VAE(𝑥, 𝑥) = − log 𝑥 𝑥(𝑥) + 𝑥 𝑥𝑥(𝑥 𝑥(𝑥|𝑥)||𝑥 𝑥(𝑥|𝑥)) = −𝑥 𝑥∼𝑥 𝑥( 𝑥| 𝑥) log 𝑥 𝑥(𝑥|𝑥) +
𝑥 𝑥𝑥(𝑥 𝑥(𝑥|𝑥) ∥ 𝑥 𝑥(𝑥))
𝑥∗
, 𝑥∗
= arg min
𝑥,𝑥
𝑥VAE
−𝑥 𝑥𝑥𝑥
log 𝑥 𝑥(𝑥)
1.3.13 Reparametrization trick
𝑥 ∼ 𝑥 𝑥 (𝑥│𝑥(𝑥)
)
𝑥 ∼ 𝑥 𝑥 (𝑥│𝑥(𝑥)
) ∼
𝑥 (𝑥; 𝑥(𝑥)
, 𝑥2(𝑥)
𝑥) 𝑥 ∼ 𝑥(0, 𝑥) 𝑥 = 𝑥 + 𝑥 ⊙ 𝑥 ⊙

16.
μ σ
ε∼N(0,I)

17.
problema reside en que este tipo de arquitecturas son difíciles de optimizar, ya que se intenta encontrar un punto
de
1.3.14 Entrenamiento de una GAN
 𝑥(𝑥)

18.
 𝑥(𝑥)
 𝑥(𝑥(𝑥))
1. El discriminador deberá devolver un 1 siempre que se le facilite una imagen real, por lo que D(x)
deberá maximizarse;
2. El mismo discriminador deberá asignar un 0 a toda imagen 𝐺(𝑧), por lo que 𝐷(𝐺(𝑧)) deberá
minimizarse. Por negación, 1 − 𝐷(𝐺(𝑧)) se deberá maximizar.
max
𝑥
𝑥(𝑥) = 𝑥 𝑥∼𝑥 𝑥𝑥𝑥𝑥(𝑥)[log 𝑥(𝑥)] + 𝑥 𝑥∼𝑥 𝑥(𝑥) [log (1 − 𝑥(𝑥(𝑥))) ]
min
𝑥
𝑥(𝑥) = 𝑥 𝑥∼𝑥 𝑥(𝑥) [log (1 − 𝑥(𝑥(𝑥))) ]
min
𝑥
max
𝑥
𝑥(𝑥, 𝑥) = 𝑥 𝑥∼𝑥 𝑥𝑥𝑥𝑥(𝑥)[log 𝑥(𝑥)] + 𝑥 𝑥∼𝑥 𝑥(𝑥) [log (1 − 𝑥(𝑥(𝑥))) ]
𝑥 𝑥𝑥𝑥𝑥 (𝑥) =
𝑥 𝑥

19.
𝑧 ∼ 𝑝_𝑧 G(z)

20.




21.




22.



23.
314 30 𝑠 2.61 ℎ

24.
2 a 10
17 parpadeos/min 0.283 parpadeos/segundo 26 parpadeos/min
4.5 parpadeos/segundo
0.1-0.4 segundos/parpadeo

25.
0.1-0.4 s
17-26 parpadeos/min
 [𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥/𝑥]
 [𝑥]
0 1

26.








27.

95%


