PARTE 1: INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO

• Introducción a los algoritmos de aprendizaje automático
• Bancos de datos de trabajo
• Librería Scikit-learn
  • Primeros pasos I
  • Primeros pasos II

PARTE 2: APRENDIZAJE SUPERVISADO

• Modelos Lineales de regresión para outputs numéricos
  • Modelo lineal general
  • Modelos polinómicos y no lineales
  • Modelos de regularización
• Modelos Lineales de regresión para outputs categóricos
  • Modelos de regresión logística
  • Modelos de regresión multinomial
  • Modelo de clasificación: NAIVE BAYES
  • Modelo para dos grupos
  • Modelo para múltiples grupos
  • Modelo de clasificación: K-VECINO MÁS CERCANO
• Modelo de clasificación y regresión: SUPPORT VECTOR MACHINE
  • Máquinas de vector soporte lineales
  • Máquinas de vector soporte no lineales
  • Modelos de árboles de decisión (DECISION TREE)
  • Árboles de decisión para problemas de clasificación
  • Árboles de decisión para problemas de regresión
  • Modelos de conjunto (ensemble models)
  • Introducción a los modelos de conjunto
  • Bosque aleatorio para problemas de clasificación
  • Bosque aleatorio para problemas de regresión
  • Algoritmos de boosting para problemas de clasificación
  • Algoritmos de boosting para problemas de regresión

PARTE 3: APRENDIZAJE NO SUPERVISADO

• Modelos de reducción de la dimensión: COMPONENTES PRINCIPALES
  • Componentes principales lineales
  • Ampliación de componentes principales
• Modelos de reducción de la dimensión: ANÁLISIS DISCRIMINANTE
  • Discimienantes lineales
  • Discriminantes no lineales
• Modelos de reducción de la dimensión: APRENDIZAJE MÚLTIPLE (MANIFOLD LEARNING)
• Modelos de agrupación
  • K-MEDIAS Y DBSCAN
  • Agrupación jerárquica

PARTE 4: AMPLIACIONES

• Sistemas de recomendación
• Procesado de lenguaje natural y análisis sentimental