​Objetivos

​

1. Familiarizar al alumno con las ideas y algunos de los métodos más eficaces y en Ciencia de Datos utilizando dos ejemplos fundamentales: Deep learning y árboles de decisión.

2. Que el alumno sea capaz de comprender el trasfondo teórico de los algoritmos elegidos con el fin de ofrecerle autonomía para estudiar y aprovechar sus cualidades.

3. Invitar al alumno a las ideas y el formalismo de técnicas más elaboradas tales como: pruning, stochastic gradient descent o back-propagation. 


​

​

Temario

​

Módulo 1: Redes neuronales

​

1. Perceptrón lineal

2. Método del gradiente

3. Stochastic Gradient Descent

4. Perceptrón con más de una capa

5. Back-propagation

​

​

Módulo 2: Árboles de decisión

​

1. Overfitting v.s. fitting

2. Árboles de decisión

3. Entropía, Gini y medidas de información (Shannon)

4. Random Forests

5. Pruning

​