Módulo 3 · Fundamentos

Machine learning clásico

Los algoritmos que siguen resolviendo la mayoría de problemas reales: regresión, árboles, ensembles, clustering y evaluación.

Qué vas a aprender

1. Qué es (y qué no es) el machine learning · Teoría · ~45 min
2. Regresión lineal · Práctica · ~90 min
3. Regresión logística · Práctica · ~90 min
4. Naive Bayes · Práctica · ~75 min
5. Vecinos más cercanos (k-NN) · Práctica · ~90 min
6. Árboles de decisión y bosques aleatorios · Práctica · ~90 min
7. Máquinas de vectores soporte (SVM) · Práctica · ~90 min
8. Ensembles: muchos modelos mejor que uno · Práctica · ~120 min
9. Clustering y aprendizaje no supervisado · Práctica · ~90 min
10. Detección de anomalías · Práctica · ~75 min
11. Crear buenas variables (feature engineering) · Práctica · ~90 min
12. Quedarte con las variables que importan · Práctica · ~75 min
13. Clases desequilibradas · Práctica · ~90 min
14. Medir bien un modelo: métricas y validación · Práctica · ~90 min
15. Sesgo y varianza: el gran equilibrio · Teoría · ~75 min
16. Ajustar hiperparámetros sin perder el tiempo · Práctica · ~90 min
17. Pipelines de ML reproducibles · Práctica · ~120 min
18. Series temporales: lo esencial · Práctica · ~90 min