Matemáticas para la ciencia de datos Probabilidad Programación en R Inferencia estadística Programación avanzada Análisis multivariante Modelos de regresión

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 de los lenguajes R y Python para las herramientas de aprendizaje supervisado

1. Introducción al Aprendizaje Estadístico 2. Evaluación de Métodos de Aprendizaje 3. Aprendizaje Bayesiano 4. Regla de Bayes y Aprendizaje basado en Costes 5. k-Nearest Neighbors (k-NN) 6. Máquinas de Vector Soporte 7. Árboles de Decisión y Bosques Aleatorios 8. Redes Neuronales

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 y Python.