1

Introducción al aprendizaje automático

• Big Data y aprendizaje automático.
• Algoritmos de aprendizaje supervisado, no supervisado y de refuerzo.
• Las etapas de la construcción de un modelo predictivo.
• Detección de valores atípicos y tratamiento de datos omitidos.
• ¿Cómo se eligen el algoritmo y las variables del algoritmo?

2

Procedimientos de evaluación de modelos

• Técnicas de remuestreo en juegos de entrenamiento, validación y prueba.
• Comprobación de la representatividad de los datos de formación.
• Medición del rendimiento de los modelos predictivos.
• Matriz de confusión y de costes, curvas ROC y AUC.

3

Modelos predictivos, el enfoque frecuentista

• Aprendizaje estadístico.
• Acondicionamiento de datos y reducción de dimensiones.
• Máquinas de vectores soporte y métodos kernel.
• Cuantificación de vectores.
• Redes neuronales y aprendizaje profundo.
• Aprendizaje por conjuntos y árboles de decisión.
• Algoritmos de bandidos, optimismo ante la incertidumbre.

4

Modelos bayesianos y aprendizaje

• Principios de inferencia y aprendizaje bayesianos.
• Modelos gráficos: redes bayesianas, campos de Markov, inferencia y aprendizaje.
• Métodos bayesianos: Naive Bayes, mezclas gaussianas, procesos gaussianos.
• Modelos de Markov: procesos de Markov, cadenas de Markov, cadenas de Markov ocultas, filtrado bayesiano.

5

Aprendizaje automático en la producción

• Las particularidades del desarrollo de un modelo en un entorno distribuido.
• Despliegue de Big Data con Spark y MLlib.
• La nube: Amazon, Microsoft Azure ML, IBM Bluemix...
• Modelo de mantenimiento.