1. Introducción. 2. Recopilación, muestreo y preprocesamiento de datos. 2.1. Tipos de datos 2.2. Muestreo 2.3. Herramientas de visualización de datos 2.4. Valores perdidos 2.5. Detección y tratamiento de atípicos. 2.6. Transformaciones de datos. 2.7. Reducción de la dimensión. 2.8. Aplicación: Gestión de riesgos en el Mercado de valores. 3. Aprendizaje supervisado: Regresión. 3.1. Regresión lineal y polinómica. 3.2. Validación cruzada. 3.3. Selección de modelos y métodos de regularización (ridge y lasso). 3.4. Modelos no lineales, splines y modelos aditivos generalizados. 3.5. Aplicación: Predicción de credit-scoring. 4. Aprendizaje supervisado: Clasificación. 4.1. Clasificadores de Bayes 4.2. Regresión logística. 4.3. K-vecinos más cercanos. 4.4. Bosque aleatorio 4.5. Máquinas de vector soporte. 4.6. Impulso. 4.7. Aplicación: Riesgo de créditos 4.8. Aplicación: detección de fraude 4.9. Aplicación: Predicción de bancarrota.

CLASES TEÓRICO-PRÁCTICAS Conocimientos que deben adquirir los alumnos. Estos recibirán las notas de clase y tendrán textos básicos de referencia para facilitar el seguimiento de las clases y el desarrollo del trabajo posterior. Se resolverán ejercicios, prácticas problemas por parte del alumno y se realizarán talleres y prueba de evaluación para adquirirlas capacidades necesarias. Para asignaturas de 6 ECTS se dedicarán 44 horas como norma general con un 100% de presencialidad.(excepto aquellas que no tengan examen que dedicarán 48 horas). TUTORÍAS Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor. Para asignaturas de 6 créditos se dedicarán 4 horas como norma general con un 100% de presencialidad. TRABAJO INDIVIDUAL O EN GRUPO DEL ESTUDIANTE Para asignaturas de 6 créditos se dedicarán 98 horas 0% presencialidad.