Machine Learning con R
El objetivo final de esta terna de cursos es lograr que los alumnos sean capaces de desarrollar de forma autónoma modelos de Machine Learning que sean el motor de un sistema de Inteligencia Artificial.
Por ello, en el presente curso se mostrará un mapa conceptual de las diferentes tipologías de modelos existentes en la actualidad, en función de su usabilidad. Tras ello, se mostrarán las diferentes formas de validar los modelos en función de su tipología. Tras realizar un mapa conceptual de los principales modelos, se irá profundizando en los principales modelos existentes dentro de cada tipología, así como en su validación.
Tras la realización del presente curso los alumnos serna capaces de conocer y aplicar los diferentes modelos de Machine Learning a distintos conjuntos de datos asi como evaluar cual es el mejor modelo en función de los resultados obtenidos.
Dirigido a
Profesionales o personas investigadoras de distintos ámbitos que tengan interés en conocer el programa R y en utilizar dicha herramienta en el ámbito de la programación, la inteligencia artificial, el aprendizaje continuo, la estadística y las matemáticas.
Requisitos
En este curso trabajaremos con código, pero la mayor parte del curso se centra en las características de los modelos, por lo que no es imprescindible tener conocimientos de programación para poder seguir el curso.
Programa
- Definición.
- Mapa conceptual.
- Ventajas y Desventajas de las familias de modelos
- Validación de Modelos.
- Problemas de Sesgo y Varianza.
- Underfitting y Overfitting.
- Modelos supervisados:
- Clasificación:
- Regresión logística.
- KNN
- Naive Bayes.
- Árbol de Clasificación.
- C5.0.
- Random Forest.
- XGBoost.
- Regresión:
- Regresión.
- Árbol de regresión.
- Random Forest.
- XGBoost.
- Clasificación:
- Modelos no supervisados:
- Clusterización
- Reglas de asociación.
- Casos Prácticos.
- Aplicaciones Reales.
