1. INTRODUCCIÓN AL APRENDIZAJE SUPERVISADO

• Definición de aprendizaje supervisado
• Comparación con aprendizaje no supervisado y aprendizaje por refuerzo
• Aplicaciones en ingeniería y campos relacionados
• Ventajas y desventajas del aprendizaje supervisado

2. CLASIFICACIÓN CON ÁRBOLES DE DECISIÓN

• Estructura y principios de un árbol de decisión
• Criterios de división: Entropía y Gini
• Crecimiento, poda y profundidad del árbol
• Ventajas y limitaciones de los árboles de decisión
• Implementación de clasificación con árboles de decisión en Python
• Aplicaciones prácticas en ingeniería

3. REGRESIÓN CON ÁRBOLES DE DECISIÓN

• Diferencias entre clasificación y regresión en árboles de decisión
• Criterios de división para regresión
• Evaluación del error en modelos de regresión con árboles de decisión
• Implementación de regresión con árboles de decisión en Python

4. REGRESIÓN CON REGRESIÓN LINEAL

• Conceptos fundamentales de la regresión lineal
• Métodos de ajuste: Método de los mínimos cuadrados
• Medición de la bondad del ajuste: R² y error cuadrático medio
• Regresión lineal múltiple
• Aplicaciones en ingeniería (ej. predicción de tendencias)
• Implementación en Python de regresión lineal

5. REGRESIÓN CON REGRESIÓN LOGÍSTICA

• Introducción a la regresión logística
• Interpretación de coeficientes en regresión logística
• Evaluación del modelo (métricas de clasificación)
• Aplicaciones en ingeniería (Ej. Predicción de estados binarios)
• Implementación en Python de regresión logística

6. REGRESIÓN Y CLASIFICACIÓN CON ENSEMBLES

• Introducción a ensembles: Concepto y tipos
• Bagging y el método de random forest
• Boosting: Gradient Boosting, AdaBoost y XGBoost
• Stacking como técnica de ensemble avanzada
• Evaluación de ensembles en tareas de ingeniería
• Implementación de ensembles en Python

7. REGRESIÓN Y CLASIFICACIÓN CON REDES NEURONALES

• Conceptos básicos de redes neuronales artificiales
• Algoritmo de retropropagación
• Redes neuronales para regresión
• Redes neuronales para clasificación
• Limitaciones y ventajas de las redes neuronales en ingeniería
• Implementación en Python de redes neuronales para regresión y clasificación

8. EVALUACIÓN DE LOS MODELOS

• Métricas para evaluación de modelos de clasificación
• Métricas para evaluación de modelos de regresión
• Validación cruzada y métodos de evaluación alternativos
• Problemas de overfitting y underfitting
• Técnicas de regularización: Ridge y Lasso
• Comparación de modelos: selección de modelos en ingeniería

9. CONOCIMIENTO DEL APRENDIZAJE NO SUPERVISADO EN MACHINE LEARNING

• Introducción al aprendizaje no supervisado
• Tipos de aprendizaje no supervisado
• Algoritmos comunes en aprendizaje no supervisado
• Evaluación de modelos de aprendizaje no supervisado
• Limitaciones del aprendizaje no supervisado
• Aplicaciones del aprendizaje no supervisado en ingeniería
• Implementación del aprendizaje no supervisado en Python

10. CLUSTERIZACIÓN

• Conceptos y aplicaciones de la clusterización
• Algoritmos de clusterización comunes
• Evaluación de la calidad de los clústeres
• Aplicaciones de clusterización en ingeniería
• Implementación de algoritmos de clusterización en Python

11. DETECCIÓN DE ANOMALÍAS

• Definición y aplicaciones en la detección de anomalías
• Algoritmos para la detección de anomalías
• Evaluación de modelos de detección de anomalías
• Implementación en Python para casos de detección de anomalías

12. DESCUBRIMIENTO DE ASOCIACIONES

• Concepto de reglas de asociación
• Algoritmo Apriori para la extracción de reglas
• Algoritmo Eclat y sus diferencias con Apriori
• Métricas para reglas de asociación: Soporte, confianza y elevación
• Aplicaciones prácticas en ingeniería (Ej. Análisis de comportamiento)
• Implementación de algoritmos de asociación en Python

13. MODELADO DE TÓPICOS

• Introducción al modelado de tópicos
• Latent Dirichlet Allocation (LDA)
• Evaluación y visualización de modelos de tópicos
• Aplicaciones de modelado de tópicos en ingeniería
• Implementación de modelado de tópicos en Python