Máster de Machine Learning con R Software - Máxima Formación

• Desarrolarte profesionalmente en tu operativa con los datos.
• Llevar a cabo el diseño de proyectos ágiles de Machine Learning, eficaces e impactantes.
• Conseguir información y respuestas de forma rápida y automatizada.
• Aplicar soluciones que evolucionan por sí mismas.
• Realizar tus propios algoritmos de Machine Learning.
• Tomar decisiones inteligentes, confiables e informadas basadas en la experiencia de los datos.

Expedido y otorgado por la Universidad Nebrija de Madrid.

• Área: Ciencia de Datos.
• Créditos: 66 ECTS.
• Duración: 10 meses.

Recursos de aprendizaje:

• Lecciones en vídeo descargables.
• Lecciones en formato presentación (ppt/pdf).
• Recursos descargables: hojas de trucos, guías rápidas, plantillas de código, mapas conceptuales y esquemas.
• Estudio de casos reales con los códigos de programación disponibles.
• Tareas prácticas para resolver.
• Tares opcionales para adquirir habilidades más avanzadas.
• Recursos complementarios: bibliografía para profundizar en los aspectos que más te interesen.
• Foros de debate comunitarios con respuestas de tus tutores.
• Wiki comunitaria para compartir recursos recomendados.

Programa de contenidos:

Máster en Machine Learning con R Software

MÓDULO I.

UNIDAD 1. INTRODUCCIÓN AL MACHINE LEARNING

• ¿Cuál es el desafío que aborda el Machine Learning?

• ¿Qué es y qué no es el Machine Learning?

• Proceso de trabajo en Machine Learning

• ¿Cómo trabaja el Machine Learning? Aprendizaje supervisado, no supervisado y profundo.

• ¿Qué modelo de Machine Learning se ajusta mejor a cada tipo de problema? Clasificación, regresión, agrupación o reducción de dimensionalidad.

• Medidas de desempeño del modelo: rendimiento o error.

• ¿Qué se necesita para crear un algoritmo de Machine Learning valioso?

• Ejemplos prácticos.

UNIDAD 2. PROGRAMACIÓN EN R E INVESTIGACIÓN REPRODUCTIBLE

• R y RStudio. Sintaxis básica y ayuda.

• Investigación reproducible con RMarkdown

• Estructura de datos. Vectores, matrices, listas, y data frames.

• Funciones, argumentos, condicionales, bucles, funciones propias.

• Conoce lo que R te puede ofrecer: gráficos avanzados, tableros y aplicaciones interactivas con Shiny.

UNIDAD 3. OBTENCIÓN, PREPROCESADO Y VISUALIZACIÓN DE DATOS

• Importar y exportar bases de datos.

• Introducción al mundo tidyverse.

• Manipular datos con dplyr.

• Transformar datos con tidyr.

• Realizar análisis exploratorio de datos y visualizar datos con ggplot2.

• Preprocesar datos con caret.

• Gestionar los datos atípicos (outliers) y datos perdidos (missing).

MÓDULO II.

UNIDAD 4. CORRELACIÓN, REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA

• Correlación simple y parcial.

• Regresión lineal simple.

• Regresión lineal múltiple.

• Regresión logística.

• Evaluación del desempeño: RMSE, R cuadrado.

• Selección de predictores: automática y por subconjuntos.

• Evaluación del modelo: gráficos de residuos y pruebas de hipótesis.

UNIDAD 5. ÁRBOLES DE DECISIÓN, MODELOS DE BAGGING Y RANDOM FOREST

• Crear árboles de decisión individuales.

• Modelos de ensemble con árboles de decisión.

• Modelos de Bagging y de Random Forest.

• Clasificación vs. Regresión.

• Proceso de modelado.

• Entrenar el modelo de árbol.

• Búsqueda de hiperparámetros del modelo.

• Evaluación del desempeño: métricas de rendimiento y validación cruzada.

• Importancia de las características.

• Comparación de modelos.

• Predicción.

UNIDAD 6. CLASIFICACIÓN POR K-VECINOS (kNN) Y MÁQUINA DE VECTORES DE SOPORTE (SVM)

• ¿Qué son y cómo funcionan? Ventajas y desventajas de cada uno.

• Presentación del algoritmo k-Nearest Neighbor (kNN).

• Distancia y similitud.

• Selección del factor k.

• Presentación de las máquinas de vectores de soporte (SVM)

• ¿Qué es un hiperplano?

• Selección y ajuste de parámetros.

• Métodos kernel SVM

• Evaluación del desempeño.

MÓDULO III.

UNIDAD 7. ANÁLISIS CLUSTER (JERÁRQUICO Y POR K-MEDIAS) Y ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)

• ¿Qué son y cómo funcionan? ¿cómo interpretar los resultados?

• Agrupación jerárquica y no jerárquica (por k-medias).

• Medidas de distancia y métodos de agrupación.

• Visualiza e interpreta con el Dendrograma.

• Número óptimo de grupos.

• Estadísticas de validación y rendimiento.

• Interpretación de los grupos.

• Reducción de dimensionalidad con Análisis de Componentes Principales.

• Centrar y escalar los datos.

• Visualiza e interpreta con Biplots.

• Personalización de gráficos.

• Descripción de las dimensiones.

• Elementos suplementarios y filtrado.

UNIDAD 8. ANÁLISIS DE SERIES TEMPORALES: MODELOS ARIMA Y SARIMA

• Análisis exploratorio de series temporales.

• Identificar datos atípicos (outliers) y faltantes (missing).

• Identificar puntos de cambio en las series.

• Clúster jerárquico con series temporales.

• Descomponer la serie temporal: método clásico, SLT y SMA.

• Prueba de tendencia y prueba de estacionalidad.

• Estacionariedad de la serie temporal: pruebas formales e informales.

• Estacionarizar la serie en media y varianza.

• Correlación y autocorrelación: funciones ACF, PACF y CCF.

• Modelos ARIMA (AutoRegresive Integrated Moving Average).

UNIDAD 9. ORDENACIÓN Y REDUCCIÓN DE LA DIMENSIÓN

• Conceptos básicos de aprendizaje profundo y redes neuronales.

• Optimización y validación de la red neuronal.

• Construcción de redes neuronales simples.

• Predicción.