1. Definición del aprendizaje supervisado
  2. Diferencias con otros paradigmas: no supervisado y por refuerzo
  3. Tipos de problemas: clasificación vs regresión
  4. Pipeline típico de ML supervisado
  5. Evaluación de modelos: Métricas clave y validación cruzada

  1. Calidad de los datos: limpieza, manejo de valores faltantes y outliers
  2. Codificación de variables categóricas
  3. Escalado y normalización de características
  4. Selección y extracción de características relevantes
  5. Técnicas de reducción de dimensionalidad (PCA, LDA)

  1. Regresión lineal y sus variantes
  2. Clasificadores lineales: perceptrón y regresión logística
  3. Árboles de decisión: estructura, poda y criterios de partición
  4. Vecinos más cercanos (k-NN): simplicidad y limitaciones
  5. Métricas de evaluación específicas por tipo de modelo

  1. Máquinas de Vectores de Soporte (SVM): márgenes y kernels
  2. Bagging, Boosting y Stacking
  3. Random Forest y sus ventajas sobre árboles individuales
  4. Gradient Boosting Machines
  5. Ajuste de hiperparámetros y validación anidada