Volver
MACHINE LEARNING I (7015)
 
Duración en horas:  50
OBJETIVOS  
  • Comprender los conceptos básicos del aprendizaje automático y sus componentes esenciales.
  • Adquirir habilidades para analizar series temporales y realizar predicciones.
  • Conocer los fundamentos teóricos y prácticos de la regresión lineal en el contexto del aprendizaje automático.
  • Entender los conceptos fundamentales de los modelos de clasificación y sus aplicaciones.
  • Profundizar en el conocimiento de modelos supervisados avanzados y su optimización.
  • Comprender el concepto de ingeniería de características y su importancia en el aprendizaje automático.
CONTENIDOS  

1.INTRODUCCION AL MACHINE LEARNING

  • Introduccion al aprendizaje de maquina
  • Fundamentos del aprendizaje maquina componentes esenciales
  • Tipos de datos en aprendizaje maquina
  • Enfoques del aprendizaje maquina
  • Problemas abordados por el aprendizaje maquina
  • Etapas de implementacion del aprendizaje maquina
  • Aplicaciones practicas y casos de uso del aprendizaje maquina

2.SERIES TEMPORALES

  • Introduccion a las series temporales
  • Tipos de series temporales
  • Ejemplos de uso de series temporales
  • Analisis de series temporales
  • Prediccion de series temporales
  • Tecnicas de prediccion en el aprendizaje maquina
  • Caso practico. Prediccion de la demanda de electricidad en una empresa indust

3.REGRESION LINEAL

  • Introduccion a la regresion lineal en el aprendizaje maquina
  • Fundamentos teoricos de la regresion lineal en aprendizaje maquina
  • Preparacion de datos y exploracion inicial en aprendizaje maquina
  • Estimacion de parametros y ajuste del modelo en el contexto del aprendizaje m
  • Evaluacion del modelo de regresion lineal en aprendizaje maquina
  • Diagnostico y mejora del modelo en el aprendizaje maquina

4.MODELOS DE CLASIFICACION

  • Conceptos fundamentales
  • Modelos basicos de aprendizaje estadistivo o de caja blanca
  • Modelos avanzados, de aprendizaje automatico o de caja negra
  • Evaluacion de la calidad de los modelos
  • Ensembles y random forest

5.MODELOS SUPERVISADOS AVANZADOS

  • Fundamentos de modelos supervisados
  • Modelos supervisados avanzados
  • Optimizacion y evaluacion
  • Estudios de casos

6.FEATURE ENGINEERING (INGENIERIA DE CARACTERISTICAS)

  • Características
  • Ingeniería de características