MODULO I - INTRODUCCIÓN Y REPASO GENERAL DE CONCEPTOS

• Fundamentos generales de python para la ciencia de datos.
• Fundamentos y conceptos de Probabilidad y Estadística para la ciencia de datos

MODULO II - PREPROCESAMIENTO DE DATOS

• Manejo de librerías, conjuntos de datos, datos faltantes, categóricos y escalas.
• Análisis de datos exploratorio, visualización y tratamiento.

MODULO III - MODELOS DE APRENDIZAJE SUPERVISADO

Análisis de regresión en python

• Regresión lineal simple y múltiple.
• Regresión con vectores de soporte.
• Regresión con árboles de decisión y bosques aleatorios.
• Evaluando el desempeño de los modelos de regresión.

Análisis de clasificación en python

• Regresión logística.
• K-vecinos más cercanos.
• Máquinas de soporte vectorial.
• Clasificación con árboles de decisión.
• Clasificación con árboles aleatorios.
• Evaluación y selección de modelos.

Aproximación práctica al aprendizaje supervisado para la toma de decisiones

• Analytics en Finanzas.
• Analytics en Marketing.
• Aprendizaje supervisado en el sector sanitario.

MODULO IV - MODELOS DE APRENDIZAJE NO SUPERVISADO

Modelos de clusterización

• Clustering con K-medias.
• Clustering jerárquico.
• Clusterización de datos categóricos.

Aprendizaje por reglas de asociación

• Aprendizaje a priori.
• Transformación por clases de equivalencia (ECLAT).

Aprendizaje por refuerzo (Reinforcement learning)

• Aprendizaje por Upper Confidence Bound (UCB).
• Aprendizaje por muestreo de Thompson.

MODULO V - MINERÍA DE DATOS AVANZADA Y SELECCIÓN DE MODELOS

• Introducción a las redes neuronales y procesamiento de lenguaje natural.
• Selección de modelos y optimización de hiperparámetros.

MODULO VI – PROYECTO FIN DE CURSO