Machine Learning con Python

Objetivos: Resolver problemas de predicción y clasificación de poblaciones.

Contenidos: Los contenidos del curso se han estructurado en tres bloques:

Bloque 1: Fundamentos del machine learning.

1. Introducción al machine learning. Bancos de datos.
2. Librería Scikit-Learn para el aprendizaje automático.

Bloque 2: Aprendizaje supervisado.

3. Modelos de regresión lineal.
4. Modelos de regresión robustos y no lineales.
5. Modelos de regresión regularizados: lasso, rigde, y elastic-net.
6. Modelos de regresión logística para respuesta binomial.
7. Modelos de regresión logística para respuesta multinomial.
8. Modelos Naïve Bayes para problemas de clasificación.
9. Modelos de k vecinos más cercanos (kNN) para problemas de clasificación.
10. Modelos de bosques aleatorios para problemas de clasificación.
11. Modelos de bosques aleatorios para problemas de regresión

Bloque 3: Aprendizaje no supervisado.

12. Reducción de la dimensión: Componentes principales lineales.
13. Reducción de la dimensión: Modelos de componentes principales avanzados.
14. Búsqueda de patrones: Análisis clúster jerárquico.
15. Búsqueda de patrones: K-means y DBSCAN.