Curso Machine Learning para Ciencia de Datos

Aprendizaje Esperado:
• Conocer y comprender métodos de regularización en modelos de regresión.
• Entrenar modelos de regresión con técnicas regularización para producir modelos más simples que generalizan mejor.
• Aplicar el software R para entrenar modelos de regresión con regularización usando datos reales.

Videos de Contenido:
• Clase:
¤ Introducción.
¤ Trade-off sesgo-varianza. Método Ridge.
¤ Métodos Lasso y Elastic Net.
¤ ¿Cómo elegimos el parámetro que regula la importancia de cada penalización?
• Laboratorio:
¤ Paquetes del software R para regularización.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Aprendizaje Esperado:
• Conocer y comprender la técnica Naive Bayes para problemas de clasificación.
• Conocer y comprender la técnica K-vecinos más cercanos para problemas de regresión y clasificación.
• Aplicar las técnicas de Naive Bayes y K-vecinos más cercanos usando datos reales.
• Aplicar el software R con las técnicas de Naive Bayes y K-vecinos más cercanos usando datos reales.

Videos de Contenido:
• Clase:
¤ Teorema de Bayes. Aplicación.
¤ Naive Bayes. Características.
¤ K-vecinos más cercanos. Características.
¤ Elección del parámetro K.
• Laboratorio:
¤ Paquetes de R para las técnicas Naive Bayes y K-vecinos más cercanos.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Aprendizaje Esperado:
• Conocer y comprender cómo se construye un árbol de clasificación/regresión para problemas de regresión y clasificación.
• Conocer y comprender cómo podar un árbol usando datos reales.
• Aplicar la técnica de árbol de clasificación/regresión usando datos reales.
• Utilizar el software R para entrenar árboles de clasificación/regresión usando datos reales.

Videos de Contenido:
• Clases:
¤ Introducción.
¤ Construcción del árbol.
¤ Poda.
¤ Ejemplo. Interpretaciones de reglas.
• Laboratorio:
¤ Paquetes de R para la técnica de árboles de regresión/clasificación.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Aprendizaje Esperado:
• Conocer y comprender el ensamblado de algoritmos por bagging y boosting para resolver problemas de regresión y clasificación.
• Aprender cómo entrenar los algoritmos: random forest , AdaBoost y XGBoost, para problemas de clasificación y regresión.
• Aplicar los algoritmos: random forest, AdaBoost y XGBoost, así como determinar la importancia de las variables usando datos reales.
• Aplicar algoritmos ensamblados a casos prácticos usando el software R.

Videos de Contenido:
• Clase:
¤ Introduciendo los algoritmos ensamblados vía bagging y boosting.
¤ Random forest. Out of bag error. Importancia de variables.
¤ AdaBoost y XGBoost.
• Laboratorio:
¤ Paquetes de R para la técnica de random forest.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Aprendizaje Esperado:
• Conocer y entender qué es SVM y su aplicación en problemas de regresión y clasificación.
• Entrenar datos de regresión y clasificación usando SVM.
• Aplicar el algoritmo SVM a casos prácticos usando el software R.

Videos de Contenido:
• Clase:
¤ Introducción.
¤ SVM en problemas de regresión.
¤ SVM en problemas de clasificación.
¤ Ejemplos y cuestiones prácticas.
• Laboratorio:
¤ Paquetes de R para la técnica SVM.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Aprendizaje Esperado:
• Conocer y entender sobre los algoritmos de aprendizaje no supervisados jerárquicos divisivos y aglomerativos.
• Conocer cómo seleccionar el número de grupos los algoritmos de aprendizaje no supervisados jerárquicos divisivos y aglomerativos.
• Introducir el algoritmo K-medias y sus características para resolver problemas de aprendizaje no supervisado.
• Aplicar el algoritmo K-medias a casos prácticos usando datos reales.
• Aplicar los algoritmos divisivos y aglomerativos y K-medias a casos prácticos usando el software R.

Videos de Contenido:
• Clase:
¤ Introducción.
¤ Algoritmos divisivos.
¤ Algoritmos aglomerativos.
¤ Dendograma: elección del número de grupos.
¤ Algoritmo K-medias.
¤ Elección del número de grupos.
• Laboratorio:
¤ Paquetes de R para las técnicas.
¤ Ejemplos y usos de R.
¤ Análisis de resultados.

Aprendizaje Esperado:
• Introducir los algoritmos K-medias y DBScan y sus características para resolver problemas de aprendizaje no supervisado.
• Aplicar los algoritmos K-medias y DBScan a casos prácticos usando datos reales.
• Aplicar los algoritmos K-medias y DBScan a casos prácticos usando el software R.

Videos de Contenido:
• Clases:
¤ DBScan. Introducción. Características.
¤ Selección de parámetros.
¤ Selección de grupos.
• Laboratorio:
¤ Paquetes de R para la técnica DBScan.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Aprendizaje Esperado:
• Introducir las reglas de asociación y sus usos en estimación de la canasta de productos.
• Construir y evaluar reglas de asociación aplicando a datos reales.
• Aplicar el algoritmo reglas de asociación a casos prácticos usando el software R.

Videos de Contenido:
• Clases:
¤ Introducción.
¤ ¿Cómo se construyen reglas de asociación?
¤ Evaluación de las reglas.
¤ Ejemplo.
• Laboratorio:
¤ Paquetes de R para las técnicas reglas de asociación.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.