Master en Machine Learning - UNED

- Introducir a los estudiantes en los principales conceptos y las técnicas básicas de Machine Learning.
- Lograr desarrollar las habilidades necesarias para programar modelos de Machine Learning y aplicarlos a la resolución de problemas prácticos.
- Adquirir experiencia en el estudio e investigación utilizando este tipo de modelos.
- Aprender a desarrollar modelos capaces de crear reglas para clasificar y discriminar entre individuos de una muestra.

Máster en Machine Learning de la UNED.

1. INTRODUCCIÓN AL MACHINE LEARNING
- Los Orígenes del Machine Learning
- Cómo Aprenden las Máquinas
- Machine Learning en la Práctica
- Machine Learning con R
2. GESTIÓN Y EXPLORACIÓN DE DATOS CON R
- Estructuras de Datos en R
- Gestionando Datos con R
- Explorando y Comprendiendo los Datos
3. LAZY LEARNING. CLASIFICACIÓN USANDO NEAREST NEIGHBORS
- Entendiendo la Clasificación Mediante Nearest Neighbor
- Ejemplo Práctico: Diagnosis de Cáncer de Pecho con el Algoritmo k-NN
4. APRENDIZAJE PROBABILÍSTICO. CLASIFICACIÓN MEDIANTE NAIVE BAYES
- Entendiendo Naive Bayes
- Ejemplo Práctico: Filtrando Spam en un Teléfono Móvil con el Algoritmo Naive Bayes
5. CLASIFICACIÓN MEDIANTE ÁRBOLES DE DECISIÓN
- Entendiendo los Árboles de Decisión
- Ejemplo Práctico: Identificación de Préstamos Bancarios de Riesgo Usando Árboles de Decisión Basados en el Algoritmo C5.0
- Entendiendo las Reglas de Clasificación
- Ejemplo Práctico: Identificación de Setas Venenosas con Rule Learners
6. MÉTODOS DE REGRESIÓN
- Entendiendo la Regresión Lineal
- Ejemplo Práctico: Prediciendo Gastos Médicos Usando un Modelo de Regresión Lineal
- Entendiendo los Árboles de Regresión
- Ejemplo Práctico: Estimando la Calidad de los Vinos con Árboles de Regresión
7. Métodos Black Box: Redes Neuronales y Máquinas de Vector Soporte
- Entendiendo las Redes Neuronales
- Ejemplo Práctico: Modelizando la Resistencia del Hormigón con una Red Neuronal
- Entendiendo las Máquinas de Vector Soporte
- Ejemplo Práctico: Realizando Reconocimiento OCR con una Máquina de Vector Soporte
8. BÚSQUEDA DE PATRONES MEDIANTE REGLAS DE ASOCIACIÓN
- Entendiendo las Reglas de Asociación
- Ejemplo Práctico: Identificando las Compras Más Frecuentes con Reglas de Asociación
9. AGRUPACIÓN DE DATOS. EL ALGORITMO K-MEANS
- Entendiendo los Métodos de Clustering
- Ejemplo Práctico: Encontrar Segmentos de Mercado de Adolescentes Mediante Agrupación con k-Means
10. EVALUACIÓN DE MODELOS DE MACHINE LEARNING
- Midiendo el Rendimiento de un Método de Clasificación
- Estimando el Rendimiento Futuro de un Modelo de Clasificación
11. MEJORANDO UN MODELO DE MACHINE LEARNING
- Afinando Parámetros para Mejorar el Rendimiento de un Modelo
- Mejorando un Modelo con Meta-Aprendizaje. Bagging, Boosting y Random Forests
12. ASPECTOS COMPUTACIONALES DEL MACHINE LEARNING
- Gestionando y Preparando Datos del Mundo Real
- Trabajando con Datos y Servicios Online
- Trabajando con Datos en Determinados Campos.
- Mejorando el Rendimiento Computacional de R
TRABAJO FIN DE MÁSTER
- Para superar el Máster, el alumno deberá realizar un trabajo final (equivalente a 10 Créditos ECTS) de temática libre, en el que deberá desarrollar un modelo basado en Machine Learning aplicado a datos reales, usando para ello alguno de los métodos aprendidos a lo largo del curso.