Máster de Machine Learning con R

Es un programa formativo 100% online, diseñado por expertos, personalizado y aplicable a tu realidad laboral.

Descarga y accede a todos los materiales desde el inicio del curso y amplía conocimientos con los recursos premium elaborados por el equipo docente (hojas de trucos, mapas conceptuales, descargables, vídeo tutoriales, etc).

• Contenidos didácticos.
• Recursos Premium.
• Sin plazos de entrega.
• Enfoque realista y práctico.
• Tutorías individuales y grupales.
• Material complementario.

¿A QUIÉN SE DIRIGE ESTE MÁSTER?

TEMA 1 INTRODUCCIÓN AL MACHINE LEARNING

En este tema conocerás la columna vertebral del aprendizaje automático. Aprenderás sus fundamentos, los problemas que aborda y las principales técnicas del Machine Learning que desarrollaremos a lo largo del Máster: aprendizaje supervisado (clasificación y regresión), no supervisado (agrupación y estimación de densidad) y profundo (Deep Learning). Aprenderás también cómo es el proceso o flujo de trabajo que deberás utilizar y cómo evaluar el rendimiento de los algoritmos.

• ¿Cuál es el desafío que aborda el Machine Learning?
• ¿Qué es y qué no es el Machine Learning?
• Proceso de trabajo en Machine Learning
• ¿Cómo trabaja el Machine Learning?
  Aprendizaje supervisado, no supervisado y profundo.
• ¿Qué modelo de Machine Learning se ajusta mejor a cada tipo de problema? Clasificación, regresión, agrupación o reducción de dimensionalidad.
• Medidas de desempeño del modelo: rendimiento o error.
• ¿Qué se necesita para crear un algoritmo de Machine Learning
  valioso?

TEMA 2 PROGRAMACIÓN EN R E INVESTIGACIÓN REPRODUCTIBLE

R es el lenguaje de programación de código abierto (y gratuito) líder en Estadística y en Ciencia de Datos. Comenzarás desde cero a usar R y RStudio, aprenderás cómo funcionan, cuáles son los tipos de datos básicos, cómo se manipulan y cómo crear funciones para dominar tus propios análisis de datos. También aprenderás a producir informes elegantes y personalizados con RMarkdown, combinando fragmentos de R, comentarios, tablas y gráficos. Y conocerás todas las prestaciones que R te puede ofrecer: gráficos avanzados, tableros y aplicaciones interactivas con Shiny.

• R y R Studio. Sintaxis básica y ayuda.
• Investigación reproductible con R Markdown.
• Estructura de datos.
  Vectores, matrices, listas y data frames.
• Funciones, argumentos, condicionales,
  bucles y funciones propias.
• Conoce lo que R te puede ofrecer: gráficos avanzados,
  tableros y aplicaciones interactivas con Shiny.

TEMA 3 OBTENCIÓN, PRE-PROCESADO Y VISUALIZACIÓN DE DATOS

Aprenderás a obtener y a gestionar tus datos, a preparar el conjunto de datos para la fase de modelado y a realizar análisis exploratorios. Este es un paso esencial en cualquier proyecto de aprendizaje automático y suele consumir gran parte del tiempo del proyecto. Sabrás cómo transformar los datos para que estén en la forma correcta que requiere el modelo. Aprenderás a crear nuevas características para aprovechar mejor la información en su conjunto de datos, a seleccionar las mejores características para mejorar el ajuste de su modelo, a explorar los tipos de datos y a manejar datos faltantes y atípicos.

• Importar y exportar bases de datos.
• Introducción al mundo tidyverse.
• Manipular datos con dplyr.
• Transformar datos con tidyr.
• Análisis exploratorio de datos y visualizar datos con ggplot2.
• Preprocesar datos con caret.
• Gestionar los datos atípicos (outliers) y datos perdidos (missing).

TEMA 4 CORRELACIÓN, REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA

La regresión es posiblemente uno de los métodos de aprendizaje automático más utilizados. Aprenderás sobre diferentes modelos de regresión, cómo entrenar estos modelos en R, cómo evaluar los modelos que entrena y usarlos para hacer predicciones. Desde una perspectiva de aprendizaje automático, la regresión lineal es la tarea de predecir resultados numéricos a partir de varias entradas. La regresión logística implica ajustar una curva a datos numéricos para hacer predicciones sobre eventos binarios. Obtendrás una visión general de las técnicas y aprenderás cómo aplicarlas para resolver problemas reales.

• Correlación simple y parcial.
• Regresión lineal simple.
• Regresión lineal múltiple.
• Regresión logística.
• Evaluación del desempeño: RMSE, R cuadrado.
• Selección de predictores: automática y por subconjuntos.
• Evaluación del modelo:
  gráficos de residuos y pruebas de hipótesis.

TEMA 5 ÁRBOLES DE DECISIÓN, MODELOS BAGGING Y RANDOM FOREST

Aprenderás a realizar tareas de clasificación y regresión mediante árboles de decisión individuales, una técnica poderosa de aprendizaje supervisado. Los árboles de decisión usan estructuras similares a diagramas de flujo para tomar decisiones, estas estructuras de árboles permiten una fácil comprensión de los resultados. Aprenderás a realizar modelos de ensamble: Bagging (Bootsap aggregation) y Random Forest. Aprenderás modelos de GBM y de Xaboots, la diferencias entre algoritmos de bagging y boosting.

• Crear árboles de decisión individuales.
• Modelos de ensemble con árboles de decisión.
• Modelos de Bagging y de Random Forest.
• Clasificación vs. Regresión.
• Proceso de modelado.
• Entrenar el modelo de árbol.
• Búsqueda de hiperparámetros del modelo.
• Evaluación del desempeño:
  métricas de rendimiento y validación cruzada.
• Importancia de las características.
• Comparación de modelos.
• Predicción.

TEMA 6 CLASIFICACIÓN POR K-VECINOS MÁS CERCANOS (KNN) Y MÁQUINA DE VECTORES SOPORTE (SVM)

Aprenderás dos importantes métodos de clasificación, una de las tareas más importante del aprendizaje supervisado. La clasificación por K-vecinos más cercanos (kNN) y la máquina de vectores de soporte (SVM) utilizan un enfoque intuitivo y visual.

• ¿Qué son y cómo funcionan?
  Ventajas y desventajas de cada uno.
• Presentación del algoritmo k-Nearest Neighbor (kNN).
• Distancia y similitud.
• Selección del factor k.
• Presentación de las máquinas de vectores de soporte (SVM).
• ¿Qué es un hiperplano?
• Selección y ajuste de parámetros.
• Métodos kernel SVM.
• Evaluación del desempeño.

TEMA 7 ANÁLISIS CLÚSTER (JERÁRQUICO Y POR K-MEDIAS) Y ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)

Este tema te permitirá manejar conjuntos de datos multidimensionales, visualizar patrones ocultos en los datos y descubrir relaciones potencialmente predictivas. Domina las técnicas fundamentales de aprendizaje no supervisado: métodos de agrupación y reducción de dimensionalidad. El objetivo es encontrar patrones en los datos desde una perspectiva de aprendizaje automático, seleccionar y extraer características sin supervisión, para que pueda obtener datos e información lo más rápido posible.

• ¿Qué son y cómo funcionan?
  Cómo interpretar los resultados.
• Agrupación jerárquica y no jerárquica (por k-medias).
• Medidas de distancia y métodos de agrupación.
• Visualiza e interpreta con el Dendrograma.
• Número óptimo de grupos.
• Estadísticas de validación y rendimiento.
• Interpretación de los grupos.
• Reducción de dimensionalidad
  con Análisis de Componentes Principales.
• Centrar y escalar los datos.
• Visualiza e interpreta con Biplots.
• Personalización de gráficos.
• Descripción de las dimensiones.
• Elementos suplementarios y filtrado.

TEMA 8 ANÁLISIS DE SERIES TEMPORALES

El análisis de series temporales es fundamental para evaluar datos especiales que están correlacionados en el tiempo (autocorrelación), como los datos climáticos o los precios de las acciones. Es esencial identificar patrones sistemáticos en datos de series temporales, ya sea porque representan una característica de interés o porque necesitamos eliminarlo para facilitar análisis posteriores. En este tema aprenderás qué es una serie de tiempo, y varios modelos específicos, desde los autorregresivos (AR) y de medias móviles (MA). hasta los modelos de cointegración (ARIMA).

• Análisis exploratorio de series temporales.
• Identificar datos atípicos (outliers) y faltantes (missing).
• Identificar puntos de cambio en las series.
• Clúster jerárquico con series temporales.
• Descomponer la serie temporal: método clásico, SLT y SMA.
• Estadísticas de validación y rendimiento.
• Prueba de tendencia y prueba de estacionalidad.
• Estacionariedad de la serie temporal:
  Pruebas formales e informales.
• Estacionarizar la serie en media y varianza.
• Correlación y autocorrelación:
  funciones ACF, PACF y CCF.
• Modelos ARIMA
  (AutoRegresive Integrated Moving Average).

TEMA 10 INTRODUCCIÓN A REDES NEURONALES (NN)

Obtendrás una introducción al aprendizaje profundo (Deep Learning), la técnica detrás de las capacidades más interesantes de la inteligencia artificial (Artificial Intelligence). Aprenderás conceptos fundamentales y la terminología utilizada en NN, y comprenderás por qué estas técnicas son tan poderosas hoy en día.

• Conceptos básicos de aprendizaje profundo
  y redes neuronales.
• Optimización y validación de la red neuronal.
• Construcción de redes neuronales simples.
• Predicción.

TFM  TRABAJO FINAL DE MÁSTER

El TFM es tu oportunidad para demostrar lo que has aprendido en el Máster. Se convertirá en parte de tu currículum y demostrará que cuentas con las habilidades de adquisición, preparación, visualización, programación, modelado, evaluación e interpretación para resolver un problema de Machine Learning . Construir un proyecto del mundo real es el mejor modo de poner a prueba las nuevas competencias adquiridas.