Comprensión de Modelos No Supervisados: Los participantes desarrollarán una comprensión profunda de los modelos no supervisados, incluyendo técnicas de agrupamiento (clustering), aplicaciones prácticas y los desafíos éticos y técnicos asociados.
Diferenciación de Técnicas de Aprendizaje: Se aprenderán las diferencias clave entre el aprendizaje supervisado y no supervisado, y cómo implementar y evaluar ambos tipos de modelos en diferentes contextos.
Reducción de Dimensiones: Los estudiantes adquirirán habilidades para aplicar técnicas de reducción de dimensionalidad, como el análisis de componentes principales (PCA) y el análisis discriminante lineal (LDA), y comprenderán las técnicas no lineales.
Implementación de Algoritmos de Segmentación: Los participantes serán capaces de implementar y evaluar diversos algoritmos de segmentación, incluyendo métodos tradicionales, algoritmos basados en redes neuronales y nuevas metodologías en el aprendizaje automático.
Detección de Anomalías: Los asistentes aprenderán a aplicar métodos eficaces para la detección de anomalías en conjuntos de datos, una competencia crucial para identificar patrones inusuales y prevenir fraudes o fallos en sistemas.
Análisis de Asociaciones: Los estudiantes serán competentes en realizar análisis de asociaciones, aplicando métodos tradicionales y estudiando casos de uso prácticos que permitan descubrir relaciones interesantes y útiles entre variables en grandes bases de datos.