Familiarizarse con distintas herramientas analíticas, basadas en datos, para la toma de decisiones Capacidad de adquirir conocimiento para analizar y encontrar relaciones entre distintas variables Aprender cómo evaluar métodos de aprendizaje supervisado Desarrollar capacidades para clasificar observaciones basadas en aprendizaje probabilístico y de máquina Adquirir destrezas en el uso del lenguaje R para las herramientas de aprendizaje supervisado

1. Análisis de Componentes Principales 2. La distribución Normal multivariante. 3. El análisis discriminante 4. Aprendizaje supervisado: k-vecinos, árboles de decisión, y bosques aleatorios 5. El teorema del sesgo-varianza y la validación cruzada 6. Las máquinas de vector soporte 7. Aprendizaje no supervisado: K-medias y el algoritmo EM para la mezcla de Gaussianas

Clases magistrales (1/2 parte del curso): se presenta el contenido de la asignatura ilustrado con ejemplos y con material de apoyo disponible en la Web. Prácticas (1/2 parte del curso): Ejemplos y casos de estudio con lenguaje R.