MÓDULO I. INTRODUCCIÓN AL MACHINE LEARNING?
Tema 1: Introducción al Big Data y Machine Learning
Breve repaso del algebra lineal
Tema 2: Entorno de trabajo: VM
Tema 3: Jupyter
Tema 4: Librerias numéricas de Python
Numpy
Pandas
Matplotlib
Tema 5: Introducción a Scikit-learn
MÓDULO II. APRENDIZAJE SUPERVISADO
Tema 1: Regresión lineal
Simple
Multivariable
Tema 2: Optimización por descenso de gradiente
Tema 3: Normalización
Tema 4: Regularización
Tema 5: Validación cruzada
Tema 6: Teorema de Bayes
Tema 7: Clasificación por árboles de decisión
Tema 8: Regresión logística / clasificación
Tema 9: Clasificación por SVM (Support Vector Machines)
Tema 10: Introducción a las redes neuronales
MÓDULO III. APRENDIZAJE NO SUPERVISADO
Tema 1: Optimización por aleatoriedad
Tema 2: Agrupación
K-means y otros algoritmos
MÓDULO IV. APRENDIZAJE REFORZADO
Tema 1: Detección de anomalías
Tema 2: Sistemas de recomendación
Tema 3: Algoritmos genéticos
MÓDULO V. DESARROLLO DE SISTEMAS DE APRENDIZAJE AUTOMÁTICO
Tema 1: Ingeniería de características (“feature engineering”)
Tema 2: Análisis de Componentes Principales (“PCA”)
Tema 3: Ensamblajes
Tema 4: Planteamiento de sistemas de ML
Tema 5: Evaluación y mejora de modelos
Tema 6: Operaciones en ML
PROYECTO FINAL
Un cliente, una compañía de suministros informáticos, ha pedido a la empresa para la que trabajamos que desarrolle una aplicación web que le ayude con la gestión de sus productos y proveedores. Por lo tanto, debemos poner en marcha una aplicación que nos sirva de base de datos, pero también de gestión. Una vez realizada, la adaptaremos a ciertos requisitos que se plantearán para incluir la Inteligencia Artificial en el sistema y poder así mejorarlo.
MATERIAL COMPLEMENTARIO
Formación en idiomas
