Programa Master Machine Learning

Si lo desea, puede ver el temario completo en inglés haciendo click aquí.

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. Aspectos Computacionales del Machine Learning
  • 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.

INSCRÍBETE