ML IASAC
CONTENIDOS MACHINE LEARNING
Módulo 1. Introducción al aprendizaje automático
Tema 1. Introducción al aprendizaje automático
Tema 3. Introducción al álgebra lineal
Módulo 2. Aprendizaje supervisado
Unidad 2.1 Modelos lineales de regresión
Tema 6. MLR respuesta cuantitativa I
Tema 7. MLR respuesta cuantitativa II
Tema 8. MLR respuesta cuantitativa III
Unidad 2.2 Modelos de regresión para respuesta cualitativa
Tema 9. MR respuesta cualitativa dicotómica
Tema 10. MR logística multinomial
Unidad 2.3 Clasificador Naïve Bayes
Tema 11. Introducción y algoritmo para dos grupos
Tema 12. Algoritmo para múltiples grupos
Unidad 2.4 Algoritmo de los k vecinos más cercanos (k-NN)
Tema 13. k-NN para problemas de clasificación y regresión
Unidad 2.5 Máquinas de vector soporte (SVM)
Tema 14. Introducción a las SVM
Unidad 2.6 Árboles de decisión (DT)
Tema 16. DT para problemas de clasificación
Tema 17. DT para problemas de regresión
Unidad 2.7 Introducción a los modelos de conjunto
Unidad 2.8 Modelos de conjunto: Bagging
Tema 19. Bosques aleatorios (Random Forest)
Unidad 2.9 Modelos de conjunto: Boosting
Tema 20. Algoritmos Boosting para clasificación
Tema 21. Algoritmos de Boosting para regresión
Módulo 3. Aprendizaje no supervisado
Unidad 3.1 Métodos de reducción de la dimensión I
Tema 22. Componentes principales lineales
Tema 23. Modelos avanzados de componentes principales
Unidad 3.2 Métodos de reducción de la dimensión II
Tema 24. Análisis discriminante lineal
Tema 25. Análisis discriminante no lineal
Unidad 3.3 Métodos de reducción de la dimensión III
Tema 26. Métodos de escalado multidimensional (MDS)
Tema 27. Métodos avanzados de escalado multidimensional
Unidad 3.4 Modelos de agrupación o cluster