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

• Creación y desarrollo

5. ¿Qué es el aprendizaje automático?

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

6. 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

7. 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

8. 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?

9. 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