Introducción a las técnicas de regresión

• Revisión de conceptos: Linealidad de datos y la función lineal, variable dependiente e independiente, tipos de datos asociados a la regresión.
• Tipos de regresión: Simple, múltiple y polinomial. Formulación matemática y representación visual.
• Taller: Ajuste de un modelo de regresión lineal simple con Python. Representación visual, análisis e interpretación de las métricas del modelo.
• Taller: Ajuste de un modelo de regresión lineal múltiple con Python. Análisis e interpretación de las métricas del modelo.
• Taller: Ajuste de un modelo de regresión polinomial con Python. Análisis e interpretación de las métricas del modelo.
• Taller: Predicción empleando modelos de regresión con Python.

Introducción a las técnicas de clasificación binaria

• Desicion-Tree. Componentes gráficos de un árbol de decisión. Descripción del índice de Gini, de entropia y de gananancia de información. Algoritmos para la implementación de árboles, tipos de datos asociados.
• Taller: Ajuste de un modelo de clasificación binario basado en Decision-Tree con Sklearn.tree (Python). Representación visual e interpretación.
• KNN. Modo de operación, descripción de la distancia euclidiana. Tipos de datos asociados.
• Taller: Ajuste de un modelo de clasificación binario basado en KNN con Sklearn.neighbors (Python). Representación visual e interpretación.
• Support Vector Machine (SVM). Modo de operación, descripción de vector, plano e hiperplano.
• Taller: Ajuste de un modelo clasificación binario basado en SVM con Sklearn.svm (Python). Representación visual e interpretación.
• Naive Bayes. Modo de operación, descripción del teorema de Bayes. ·
• Taller: Ajuste de un modelo de clasificación binario basado en Naive Bayes con Sklearn.naive_bayes (Python). Análisis e interpretación de resultados.

Evaluación básica de modelos de clasificación binario

• Taller: Predicción empleando modelos de clasificación binarios con Python.
• Taller: Evaluación de modelos de clasificación binario mediante matriz de confusión y métricas básicas: Accuracy, Precision, Recall, F1-score.

Introducción a las técnicas de clusterización

• Enfoque basado en particionamiento. Definición y algoritmos. · K-Means. Definición, descripción del algoritmo de cálculo, casos de uso. Análisis del algoritmo K-Means mediante un simulador on-line.
• Taller: Agrupamiento de datos con Sklearn.cluster.KMeans (Python). Representación visual e interpretación de resultados.
• Enfoque basado en densidad. Definciión y algoritmos.
• DBScan. Definición. descripción del algoritmo de cálculo. casos de uso. Análisis del algoritmo DBScan mediante un simulador on-line.
• Taller: Agrupamiento de datos con Sklearn.cluster.DBScan (Python). Representación visual e interpretación de resultados.