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.