Temario del Curso

Módulo 1: Introducción

• Introducción a Python y sus librerías para Machine Learning.
• Conceptos básicos de Machine Learning.

Módulo 2: Aprendizaje Supervisado

• Definición y aplicaciones del aprendizaje supervisado.
• Medidas de rendimiento en modelos supervisados.
• Modelos lineales y no lineales: árboles de decisión, SVM y redes neuronales.
• Técnicas de combinación de modelos: Random Forest.

Módulo 3: Aprendizaje No Supervisado

• Definición y aplicaciones del aprendizaje no supervisado.
• Clustering: K-means, DBSCAN.
• Biclustering para análisis de datos.
• Reducción de la dimensionalidad: manifolds.
• Análisis de la cesta de la compra.