Machine Learning en Python

Introducción.

Objetivo: repasar los fundamentos requeridos y conocer las herramientas de trabajo.

• Revisión de librerías básicas.
• Revisión de conceptos como aprendizaje supervisado y no supervisado.
• Técnicas de aprendizaje supervisado.

Objetivo: conocer a profundidad el funcionamiento de las técnicas más comunes de aprendizaje supervisado y aprender a utilizar las técnicas más comunes de aprendizaje supervisado.

• Regresión Multivariada y no lineal.
• Regresión logística.
• K-Vecinos más cercanos.
• Naive Bayes.
• Máquinas de vectores de soporte.
• Árboles de decisión.
• Práctica de regresión.
• Práctica de clasificación.
• Selección de modelos.

Objetivo: identificar un diseño experimental adecuado para la implementación de proyectos de machine learning y reconocer las técnicas que permiten evaluar adecuadamente el desempeño de modelos supervisados y seleccionar sus hiper-parámetros.

• Construcción de datasets.
• Validación cruzada.
• Curvas de validación.
• Curvas de aprendizaje.
• Búsqueda de hiper-parámetros.
• Práctica de selección de modelos.
• Métodos de ensamble.

Objetivo: reconocer los métodos de ensamble como una estrategia para mejorar el rendimiento de modelos individuales.

• Boosting.
• Bagging.
• Stacking.
• Random.
• Forest y Gradient.
• Boosting.
• Práctica de métodos de ensamble.
• Técnicas de aprendizaje no supervisado.

Objetivo: aplicar agrupamiento automático a datos tabulares, conocer las ventajas de la reducción de dimensión en la visualización y modelación y entender técnicas para detección de anomalías.

• Agrupamiento.
• Reducción de dimensión.
• Detección de anomalías.