Programa Analítico:
Unidad 1: Regresiones
- Regresión Lineal.
- Regresión polinómica.
- Regresión exponencial y logarítmica.
- Regresión de dos variables.
- Ejemplos de regresiones con sklearn.linear_model
- Regresiones logística.
- Ejemplos de clasificación con regresión logística con sklearn.linear_model
Unidad 2: Arboles de decisión
- Algoritmo básico en Excel
- División en entrenamiento y prueba
- Uso de sklearn.tree
- Predicción y valoración de la solución
- Aplicación al dataset Titanic
- Aplicación al problema del call center
Unidad 3: «Clusters»
- Algoritmo básico en Excel.
- Uso de kmeans.
- Ejemplo de aplicación real de sklearn.cluster
- Otros algoritmos de agrupamiento en scipy.cluster
- Ejercicio de aplicación de agrupamiento de mascotas.
Unidad 4: Reglas de Asociación
- Algoritmo básico en Access.
- División en entrenamiento y prueba.
- Uso de apriori en Python.
- Ejemplo de una aplicación real votación de reglas.
- Ejemplo de una aplicación real a datos de ventas en supermercados.
Unidad 5: Redes Neuronales
- Algoritmo básico en Excel.
- División en entrenamiento y prueba.
- Instalación y uso del paquete.
- Ejemplo en Python.
- Principales parámetros de ajuste y control.
- Problema concreto.
Unidad 6: Algoritmos genéticos
- Algoritmo básico en Excel.
- Discusión del tipo de problemas en los que se aplica.
- Discusión de otros mecanismos de optimización.
- Implementación en R del método enjambre de partículas.
Unidad 7: Series temporales
- Taxonomía.
- Separación de componentes.
- Predicciones.
- Implementación con statsmodel.
- Predicción en series con un único período.
Unidad 8: Método de Simulación de Montecarlo
- Algoritmo básico en Excel.
- Discusión de la utilidad del método.
- Comparación con el análisis de escenarios.
- Ejemplo de una aplicación real.
- Ejemplo simple implementado en Python.
Unidad 9: Minería de textos
- Clasificación supervisada de piezas de texto.
- Construcción de una red semántica.
- Ejemplos de aplicación real del algoritmo de clasificación.
- Aplicación a la detección de sentimientos.
Unidad 10: Bayes Ingenuo
- Implementación en Excel.
- Ejemplo de aplicación en Python.
- Comparación de 4 algoritmos predictivos. (Bayes ingenuo, árboles, redes neuronales y regression logística)
Unidad 11: Random Forest
- Descripción conceptual del método.
- Paquete sklearn.ensemble.
- RandomForestClassifier
- RandomForestRegressor
- Ejemplo de aplicación.
- Comparación con otras técnicas.
Unidad 12: Métodos Bayesianos
- Descripción conceptual del método:
- Regresión lineal bayesiana: pymc3
- Red bayesiana: pgmpy
Unidad 13: Máquina de soporte vectorial
- Descripción conceptual del método
- Paquete sklearn.svm
- Ejemplo de aplicación
- Comparación con otras técnicas
Modalidad de cursada
- Modalidad a distancia de forma Online.
- Clases por videoconferencias interactivas, una teórica y una práctica. La duración de cada clase es de aproximadamente una hora.
- El alumno deberá realizar cierta actividad complementaria con material de soporte de las clases, trabajos con enfoque práctico y proyectos reales orientados a la Ciencia de Datos.
Fechas y horarios
| Diplomatura en Machine Learning con Python | Día y Horario |
|---|---|
| Primer semana (introducción): | Lunes a Viernes a las 19 horas. |
| Segunda semana (introducción): | Martes, Miércoles y Viernes a las 19 horas. |
| A partir de la tercer semana: | Viernes a las 20.15 horas. |
