Objetivos

​

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.

​​

2. Familiarizar al alumno con el lenguaje matemático utilizado en la literatura sobre 3. 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

​

1. 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

2. 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

3. Algunos algoritmos sencillos de manera intuitiva

● Perceptrón

● Regresión lineal

● K-nearest neighbours

● Árboles de decisión

4. Fundamentos matemáticos

● Geometría lineal

● Probabilidad básica

● Estadística: ley de los grandes números

● Convexidad

5. 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)

6. Deep Learning (opcional)

● Del perceptrón a las redes neuronales

● De la regresión lineal a las redes neuronales

● Ventajas: capacidad de predicción

● Desventajas: costo computacional

​