1. ¿Qué es Machine Learning y Deep Learning?
  2. Origen y evolución del Machine Learning
  3. Ejemplos de Machine Learning en la vida cotidiana
  4. Instalación de entorno Python y librerías de Machine Learning
  5. Tipos de Machine Learning
  6. Aprendizaje supervisado
  7. Evaluación de rendimiento de modelos - Métricas de Clasificación
  8. Evaluación de rendimiento de modelos - Métricas de Regresión

  1. Planteamiento del problema y del dato
  2. Carga y auditoría inicial del dataset
  3. Exploración preliminar de los datos (EDA ligera)
  4. Calidad de los datos - Dimensiones y chequeos
  5. Duplicados e inconsistencias
  6. Detección y tratamiento de outliers
  7. Escalado y transformaciones de variables
  8. Codificación de variables categóricas

  1. Concepto y fundamentos de la regresión lineal
  2. La ecuación de la regresión lineal
  3. Aplicaciones prácticas de la regresión lineal
  4. Limitaciones y alternativas a la regresión lineal
  5. Proyecto de regresión lineal

  1. Concepto y fundamentos de los árboles de decisión
  2. Construcción del árbol de decisión
  3. Profundidad, sobreajuste y poda del árbol
  4. Ventajas y limitaciones de los árboles de decisión
  5. Aplicaciones prácticas de los árboles de decisión
  6. Proyecto clasificación con árbol de decisión

  1. Concepto y fundamentos de las SVM
  2. Clasificación lineal con SVM
  3. El parámetro de regularización C
  4. Clasificación no lineal y funciones kernel
  5. Ventajas y limitaciones de las SVM
  6. Aplicaciones prácticas de las SVM
  7. Proyecto ML con SVM

  1. Concepto y fundamentos del Teorema de Bayes
  2. Tipos de clasificadores Naive Bayes
  3. Ventajas y limitaciones de Naive Bayes
  4. Aplicaciones prácticas de Naive Bayes
  5. Proyecto Machine Learning con Naive Bayes

  1. Concepto y fundamentos del algoritmo KNN
  2. La elección del parámetro K
  3. Métricas de distancia en KNN
  4. Ventajas y limitaciones del algoritmo KNN
  5. Aplicaciones prácticas de KNN
  6. Proyecto clasificación con KNN

  1. Concepto y fundamentos de la regresión logística
  2. La función logística o sigmoide
  3. Regresión logística multiclase
  4. Entrenamiento y parámetros del modelo
  5. Ventajas y limitaciones de la regresión logística
  6. Aplicaciones prácticas de la regresión logística
  7. Proyecto clasificación con regresión logística

  1. ¿Qué es una neurona y el modelo perceptrón?
  2. ¿Qué son las redes neuronales?
  3. Funciones de activación
  4. Funciones de activación en modelos multiclase
  5. Funciones de Coste y de Gradiente Descendente
  6. Propagación hacia atrás (backpropagation)
  7. Claves para crear redes neuronales efectivas