CICLO PRIMERO: APRENDIZAJE AUTOMÁTICO I

MML101 Machine Learning

MML102 Tipos de sistemas

MML103 Algoritmos supervisados

MML104 Aprendizaje supervisados

MML105 Clasificación de salida múltiple

MML106 Capacitar un modelo

MML107 Complejidad computacional

MML108 Combinaciones de diferentes modelos

MML109 Evaluación.

CICLO SEGUNDO: APRENDIZAJE AUTOMÁTICO II

MML201 Aprendizaje automático profundo

MML202 Agrupación en Python

MML203 Big Data para empresas

MML204 Redes neuronales profundas

MML205 Aprendizaje automático con Python

MML206 Sistemas de aprendizaje automático

MML207 Métodos de reducción de dimensión

MML208 Algoritmos de agrupación

MML209 Evaluación.

CICLO TERCERO: APRENDIZAJE AUTOMÁTICO III

MML301 Minería de datos

MML302 Validación de resultados

MML303 Evaluación de resultados

MML304 Extracción de atributos

MML305 Selección de atributos

MML306 Métodos no supervisados

MML307 Métodos supervisados

MML308 Combinación de clasificadores

MML309 Evaluación.

CICLO CUARTO: APRENDIZAJE AUTOMÁTICO IV

MML401 Inteligencia artificial avanzada

MML402 Recomendadores y agrupamientos

MML403 Extracción y selección de atributos

MML404 Clasificación y optimización

MML405 Ciencia de los datos

MML406 Análisis de datos

MML407 Almacenamiento de datos

MML408 Visualización de datos

MML409 Proyecto final.

Acceso a TDR (Contenido Digital en Formato PDF) desde el Campus Virtual de Cambridge International University.