Aprendizaje Automático

El Módulo brinda las herramientas necesarias para estimar modelos lineales que permitan explicar el comportamiento de variables cuantitativas y binarias en término de otras, así como variaciones de las mismas. Se estudiarán técnicas para seleccionar el mejor modelo en términos de minimización de error y cantidad óptima de variables. Se hace énfasis en la interpretación de los resultados para tomar decisiones bajo incertidumbre.

El módulo abarca dos grandes temas de aprendizaje, cada uno de los cuales se centra en un área específica del aprendizaje automático. La unidad inicial cubre aprendizaje supervisado, se aplica en predicción de precios, detección de fraudes y reconocimiento de objetos. La segunda unidad trata aprendizaje no supervisado, se aplica en agrupación y reducción de dimensionalidad.

El módulo consta de dos unidades: supervisado y no supervisado. La primera cubre modelos MARS, ARMA, ARIMA, y ensambles como bosques aleatorios, bagging, stacking y boosting, esenciales para predicción y clasificación en finanzas, salud, etc. En la segunda unidad, se abordan técnicas de reducción de dimensionalidad como kernel-PCA y t-SNE, y algoritmos de clustering jerárquico y DBSCAN para identificar patrones en datos sin etiquetas.

El módulo busca que el estudiante desarrolle una sinergia de habilidades aplicadas mediante el desarrollo de un proyecto. En este proyecto los estudiantes llevarán a cabo un exhaustivo proceso de análisis de datos, desde la extracción, exploración y visualización de datos hasta la implementación de modelos de inteligencia artificial.