TEMA 1 INTRODUCCIÓN A LA ESTADISTICA

1.- Introducción a la estadística

• Cargar CSV a R Studio
• Introducción a la Estadística

2.- Estadística Inferencia - Estadística inferencial

3.- Estadística Predictiva - Estadística descriptiva

4.- Clusterización

5.- Introducción a matplotlib y GGPLOT

TEMA 2 STRATEGY ANALITICS

1.- Analítica para la gestión Introducción Strategy Analytics Tendencias Analytics

2.- Implementación práctica a elección propia

• Gestión de Fuentes Externas
• Tipos de investigación
• Planteamiento del problema

3.- Métodos Hipotéticos

• Independencia
• Anova
• Taguchi

4.- Presentación Creación y desarrollo

TEMA 3 MACHING LEARNING

1.- ¿Qué es el aprendizaje automático?

• ¿Qué es la inteligencia artificial?
• ¿Qué es el aprendizaje maquina?
• ¿Cuáles son las técnicas de aprendizaje máquina?

2.- Aprendizaje máquina práctico

• ¿Qué es un framework de programación? (Tidy Models)
• ¿Cómo se entrena un modelo?
• Regresión Lineal ¿Por qué es necesario separar los datos?
• Separación de un data set en set de entrenamiento y set de prueba

3.- Aprendizaje máquina práctico – clasificación

• ¿Qué son los árboles de decisión?
• ¿Cómo puedo medir el desempeño de un algoritmo de decisión?
• ¿Qué es una matriz de confusión?
• ¿Qué son las curvas ROC?
• Implementado un árbol con Tidy Models

4.- Random Forests

• ¿Qué es un algoritmo de ensamble?
• ¿Qué es un bosque de árboles de decisión (RF) y cómo se implementa Tidy Models?
• ¿Qué son los hiperparámetros y para qué sirven?
• ¿Qué es la validación cruzada?

5.- Técnicas complementarias de Machine Learning

• El problema de tener muchas dimensiones
• ¿Cómo reducir el número de dimensiones con PCA?
• Principal Component
• Analysis (PCA) para la visualización en tidy models
• Usando PCA en la regresión lineal