Programa Master Machine Learning
1. Introducción al Machine Learning
- Los Orígenes del Machine Learning
- Cómo Aprenden las Máquinas
- Machine Learning en la Práctica
- Machine Learning con R
2. Gestión y Exploración de Datos con R
- Estructuras de Datos en R
- Gestionando Datos con R
- Explorando y Comprendiendo los Datos
3. Lazy Learning. Clasificación Usando Nearest Neighbors
- Entendiendo la Clasificación Mediante Nearest Neighbor
- Ejemplo Práctico: Diagnosis de Cáncer de Pecho con el Algoritmo k-NN
4. Aprendizaje Probabilístico. Clasificación Mediante Naive Bayes
- Entendiendo Naive Bayes
- Ejemplo Práctico: Filtrando Spam en un Teléfono Móvil con el Algoritmo Naive Bayes
5. Clasificación Mediante Árboles de Decisión
- Entendiendo los Árboles de Decisión
- Ejemplo Práctico: Identificación de Préstamos Bancarios de Riesgo Usando Árboles de Decisión Basados en el Algoritmo C5.0
- Entendiendo las Reglas de Clasificación
- Ejemplo Práctico: Identificación de Setas Venenosas con Rule Learners
6. Métodos de Regresión
- Entendiendo la Regresión Lineal
- Ejemplo Práctico: Prediciendo Gastos Médicos Usando un Modelo de Regresión Lineal
- Entendiendo los Árboles de Regresión
- Ejemplo Práctico: Estimando la Calidad de los Vinos con Árboles de Regresión
7. Métodos Black Box: Redes Neuronales y Máquinas de Vector Soporte
- Entendiendo las Redes Neuronales
- Ejemplo Práctico: Modelizando la Resistencia del Hormigón con una Red Neuronal
- Entendiendo las Máquinas de Vector Soporte
- Ejemplo Práctico: Realizando Reconocimiento OCR con una Máquina de Vector Soporte
8. Búsqueda de Patrones Mediante Reglas de Asociación
- Entendiendo las Reglas de Asociación
- Ejemplo Práctico: Identificando las Compras Más Frecuentes con Reglas de Asociación
9. Agrupación de Datos. El Algoritmo K-Means
- Entendiendo los Métodos de Clustering
- Ejemplo Práctico: Encontrar Segmentos de Mercado de Adolescentes Mediante Agrupación con k-Means
11. Mejorando un Modelo de Machine Learning
- Afinando Parámetros para Mejorar el Rendimiento de un Modelo
- Mejorando un Modelo con Meta-Aprendizaje. Bagging, Boosting y Random Forests
10. Evaluación de Modelos de Machine Learning
- Midiendo el Rendimiento de un Método de Clasificación
- Estimando el Rendimiento Futuro de un Modelo de Clasificación
12. Trabajando con Big Data
- El Reto de los Datos de Alta Dimensión
- Utilización de Datos Dispersos
- Tratamiento de Datos Ausentes
- El Problema de los Datos Desequilibrados
Trabajo Fin de Máster
Para superar el Máster, el alumno deberá realizar un trabajo final (equivalente a 10 Créditos ECTS) de temática libre, en el que deberá desarrollar un modelo basado en Machine Learning aplicado a datos reales, usando para ello alguno de los métodos aprendidos a lo largo del curso.