- Comprender los conceptos clave del aprendizaje supervisado y no supervisado en el análisis de datos.
- Identificar y aplicar algoritmos de aprendizaje supervisado para resolver problemas específicos de negocio.
- Explorar técnicas de clustering y reducción de dimensionalidad en aprendizaje no supervisado.
- Implementar redes neuronales profundas para mejorar la precisión en tareas complejas.
- Evaluar modelos de machine learning utilizando métricas estándar para asegurar su efectividad.
- Utilizar herramientas de Big Data para manejar y procesar grandes volúmenes de información.
- Desarrollar habilidades para interpretar resultados y comunicar hallazgos de manera efectiva.
UNIDAD DIDÁCTICA 1. APRENDIZAJE SUPERVISADO (I) Introducción Regresión lineal, múltiple y logística (I) Regresión lineal, múltiple y logística (II) Máquina de vectores soporte (SVM) Árboles de decisión UNIDAD DIDÁCTICA 2. APRENDIZAJE SUPERVISADO (II) KNN (K-Nearest Neighbors) Naive bayes Evaluación de modelos supervisados Ejercicio de ejemplo Ejercicio propuesto UNIDAD DIDÁCTICA 3. APRENDIZAJE NO SUPERVISADO Introducción a clustering: propósito y métricas K-means clustering Clústering jerárquico, otras técnicas y ejemplos Análisis de componentes principales (PCA) Ejercicio de ejemplo PCA UNIDAD DIDÁCTICA 4. DEEP LEARNING Redes neuronales artificiales (ANN) (I) Redes neuronales artificiales (ANN) (II) Redes neuronales artificiales (ANN) (III) Ejercicio de ejemplo Ejercicio propuesto