Ofrecer al alumno una visión global de los siguientes aspectos de Machine Learning y Data Science:

• Una amplia cantidad de ejemplos de éxito y de fracaso de las técnicas más utilizadas.
• Planteamiento del problema de manera intuitiva y la explicación de su formalización.
• Dificultades teóricas y prácticas del aprendizaje y el manejo de datos.
• Una paleta de las técnicas más comunes.

​​Familiarizar al alumno con el lenguaje matemático utilizado en la literatura sobre    

Machine Learning para que sea capaz de acercarse a ella con comodidad. La capacidad de replicar exitosamente y de manera autónoma los aspectos teóricos y prácticos de los algoritmos más sencillos: lineales.

‍

Temario

Algunos ejemplos de aplicaciones

• Clasificación de Textos e imágenes
• Problemas tipo retail
• Optimización
• Predicción del Churn Rate y diagnóstico Médico
• Forecasting lineal y no lineal
• Inteligencia artificial
• Detección de anomalías

Algunos problemas técnicos a los que se enfrentan los analistas de datos

• Elección del algoritmo adecuado
• Determinación de los parámetros
• Underfitting v.s. Overfitting
• La maldición de la dimensión

Algunos algoritmos sencillos de manera intuitiva

• Perceptrón
• Regresión lineal
• K-nearest neighbours
• Árboles de decisión

Fundamentos matemáticos

• Geometría lineal
• Probabilidad básica
• Estadística: ley de los grandes números
• Convexidad

Formalismo en Machine Learning y case studies

• Clasificación de denuncias falsas (Regresión lineal revisitada).
• Manejo de portafolios financieros (Aprendizaje convexo)
• Sugerencias de Netflix (K-nearest neighbours)
• Diagnóstico médico (Árboles de decisión)

Deep Learning (opcional)

• Del perceptrón a las redes neuronales
• De la regresión lineal a las redes neuronales
• Ventajas: capacidad de predicción
• Desventajas: costo computacional