MÓDULO I

UNIDAD 1. INTRODUCCIÓN AL MACHINE LEARNING

• ¿Cuál es el desafío que aborda el Machine Learning?
• ¿Qué es y qué no es el Machine Learning?
• Proceso de trabajo en Machine Learning.
• ¿Cómo trabaja el Machine Learning? Aprendizaje supervisado, no supervisado y profundo.

UNIDAD 2. PROGRAMACIÓN EN R E INVESTIGACIÓN REPRODUCTIBLE

• R y RStudio. Sintaxis básica y ayuda.
• Investigación reproducible con RMarkdown.
• Estructura de datos. Vectores, matrices, listas, y data frames.

UNIDAD 3. OBTENCIÓN, PREPROCESADO Y VISUALIZACIÓN DE DATOS

• Importar y exportar bases de datos.
• Introducción al mundo tidyverse.
• Manipular datos con dplyr.
• Transformar datos con tidyr.

MÓDULO II.

UNIDAD 4. CORRELACIÓN, REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA

• Correlación simple y parcial.
• Regresión lineal simple.
• Regresión lineal múltiple.
• Regresión logística.

UNIDAD 5. ÁRBOLES DE DECISIÓN, MODELOS DE BAGGING Y RANDOM FOREST

• Crear árboles de decisión individuales.
• Modelos de ensemble con árboles de decisión.
• Modelos de Bagging y de Random Forest.
• Clasificación vs. Regresión.

UNIDAD 6. CLASIFICACIÓN POR K-VECINOS (kNN) Y MÁQUINA DE VECTORES DE SOPORTE (SVM)

• ¿Qué son y cómo funcionan? Ventajas y desventajas de cada uno.
• Presentación del algoritmo k-Nearest Neighbor (kNN).
• Distancia y similitud.
• Selección del factor k.

MÓDULO III.

UNIDAD 7. ANÁLISIS CLUSTER (JERÁRQUICO Y POR K-MEDIAS) Y ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)

• ¿Qué son y cómo funcionan? ¿cómo interpretar los resultados?
• Agrupación jerárquica y no jerárquica (por k-medias).
• Medidas de distancia y métodos de agrupación.
• Visualiza e interpreta con el Dendrograma.

UNIDAD 8. ANÁLISIS DE SERIES TEMPORALES: MODELOS ARIMA Y SARIMA

• Análisis exploratorio de series temporales.
• Identificar datos atípicos (outliers) y faltantes (missing).
• Identificar puntos de cambio en las series.
• Clúster jerárquico con series temporales.

UNIDAD 9. ORDENACIÓN Y REDUCCIÓN DE LA DIMENSIÓN

• Conceptos básicos de aprendizaje profundo y redes neuronales.
• Optimización y validación de la red neuronal.
• Construcción de redes neuronales simples.
• Predicción.