Curso R y Data Science en Madrid, Barcelona y Online

TEMA 6: Introducción al Machine Learning y R

• ¿Qué es Machine Learning?
• Aprendizaje Supervisado vs Aprendizaje No Supervisado
• Técnicas de Aprendizaje Supervisado. Clasificación vs Regresión
• Técnicas de Aprendizaje No Supervisado

TEMA 7: Conceptos básicos de Machine Learning

• Train / Validación / Test
• Overfitting y Underfitting. Tradeoff Bias / Variance
• Metaparametrización. Búsqueda en rejilla
• Función de coste. Definición, ejemplos y optimización

TEMA 8: Aprendizaje Supervisado

• Regresión Lineal
• Árboles de decisión y representación
• Random Forests
• Redes Neuronales
• Support Vector Machines (SVM)
• Funciones en librerías rpart y randomForest, e1071, neuralnet
• Ejercicios prácticos
  
  • Aplicación de un modelo de aprendizaje supervisado a un caso práctico de clasificación
  • Aplicación de un modelo de aprendizaje supervisado a un caso práctico de regresión

TEMA 9: Aprendizaje No Supervisado

• Clustering: K-means y K-prototypes
• Reducción de Dimensionalidad: PCA
• ¿Qué es un sistema de recomendación y para qué sirve?
• Diferentes enfoques de un sistema de recomendación: user-user, ítem-ítem
• Librerías para la recomendación, recommenderlab y funciones propias para sistemas de recomendación
• Ejercicios prácticos:
  
  • Resolución de problema de aprendizaje no supervisado mediane K-means y reducción de dimensionalidad mediante PCA
  • Construcción de un sistema de recomendación para sugerencias personalizadas

TEMA 10: Benchmarking

• Comparación de los distintos métodos utilizados mediante distintas medidas de error
• Ejercicios prácticos. Comparación de los métodos utilizados