Especialización en Técnicas, Algoritmos y Herramientas para Data Science

Módulo 1. Herramientas de ciencia de datos

1.1. Ciencia de datos

1.1.1. La ciencia de datos
1.1.2. Herramientas avanzadas para el científico de datos

1.2. Datos, información y conocimiento

1.2.1. Datos, información y conocimiento
1.2.2. Tipos de datos
1.2.3. Fuentes de datos

1.3. De los datos a la información

1.3.1. Análisis de Datos
1.3.2. Tipos de análisis
1.3.3. Extracción de Información de un Dataset

1.4. Extracción de información mediante visualización

1.4.1. La visualización como herramienta de análisis
1.4.2. Métodos de visualización
1.4.3. Visualización de un conjunto de datos

1.5. Calidad de los datos

1.5.1. Datos de calidad
1.5.2. Limpieza de datos
1.5.3. Preprocesamiento básico de datos

1.6. Dataset

1.6.1. Enriquecimiento del Dataset
1.6.2. La maldición de la dimensionalidad
1.6.3. Modificación de nuestro conjunto de datos

1.7. Desbalanceo

1.7.1. Desbalanceo de clases
1.7.2. Técnicas de mitigación del desbalanceo
1.7.3. Balanceo de un Dataset

1.8. Modelos no supervisados

1.8.1. Modelo no supervisado
1.8.2. Métodos
1.8.3. Clasificación con modelos no supervisados

1.9. Modelos supervisados

1.9.1. Modelo supervisado
1.9.2. Métodos
1.9.3. Clasificación con modelos supervisados

1.10. Herramientas y buenas prácticas

1.10.1. Buenas prácticas para un científico de datos
1.10.2. El mejor modelo
1.10.3. Herramientas útiles

Módulo 2. Minería de Datos. Selección, preprocesamiento y transformación

2.1. La inferencia estadística

2.1.1. Estadística descriptiva vs. Inferencia estadística
2.1.2. Procedimientos paramétricos
2.1.3. Procedimientos no paramétricos

2.2. Análisis exploratorio

2.2.1. Análisis descriptivo
2.2.2. Visualización
2.2.3. Preparación de datos

2.3. Preparación de datos

2.3.1. Integración y limpieza de datos
2.3.2. Normalización de datos
2.3.3. Transformando atributos

2.4. Los valores perdidos

2.4.1. Tratamiento de valores perdidos
2.4.2. Métodos de imputación de máxima verosimilitud
2.4.3. Imputación de valores perdidos usando aprendizaje automático

2.5. El ruido en los datos

2.5.1. Clases de ruido y atributos
2.5.2. Filtrado de ruido
2.5.3. El efecto del ruido

2.6. La maldición de la dimensionalidad

2.6.1. Oversampling
2.6.2. Undersampling
2.6.3. Reducción de datos multidimensionales

2.7. De atributos continuos a discretos

2.7.1. Datos continuos versus discretos
2.7.2. Proceso de discretización

2.8. Los datos

2.8.1. Selección de datos
2.8.2. Perspectivas y criterios de selección
2.8.3. Métodos de selección

2.9. Selección de instancias

2.9.1. Métodos para la selección de instancias
2.9.2. Selección de prototipos
2.9.3. Métodos avanzados para la selección de instancias

2.10. Preprocesamiento de datos en entornos Big Data

2.10.1. Big Data
2.10.2. Preprocesamiento “clásico” versus masivo
2.10.3. Smart Data

Módulo 3. Diseño y desarrollo de sistemas inteligentes

3.1. Preprocesamiento de datos

3.1.1. Preprocesamiento de datos
3.1.2. Transformación de datos
3.1.3. Minería de datos

3.2. Aprendizaje automático

3.2.1. Aprendizaje supervisado y no supervisado
3.2.2. Aprendizaje por refuerzo
3.2.3. Otros paradigmas de aprendizaje

3.3. Algoritmos de clasificación

3.3.1. Aprendizaje automático inductivo
3.3.2. SVM y KNN
3.3.3. Métricas y puntuaciones para clasificación

3.4. Algoritmos de regresión

3.4.1. Regresión lineal, regresión logística y modelos no lineales
3.4.2. Series temporales
3.4.3. Métricas y puntuaciones para regresión

3.5. Algoritmos de agrupamiento

3.5.1. Técnicas de agrupamiento jerárquico
3.5.2. Técnicas de agrupamiento particional
3.5.3. Métricas y puntuaciones para clustering

3.6. Técnicas de reglas de asociación

3.6.1. Métodos para la extracción de reglas
3.6.2. Métricas y puntuaciones para los algoritmos de reglas de asociación

3.7. Técnicas de clasificación avanzadas. Multiclasificadores

3.7.1. Algoritmos de Bagging
3.7.2. Clasificador “Random Forests”
3.7.3. “Boosting” para árboles de decisión

3.8. Modelos gráficos probabilísticos

3.8.1. Modelos probabilísticos
3.8.2. Redes bayesianas. Propiedades, representación y parametrización
3.8.3. Otros modelos gráficos probabilísticos

3.9. Redes neuronales

3.9.1. Aprendizaje automático con redes neuronales artificiales
3.9.2. Redes feed forward

3.10. Aprendizaje profundo

3.10.1. Redes feed forward profundas
3.10.2. Redes neuronales convolucionales y modelos de secuencia
3.10.3. Herramientas para implementar redes neuronales profundas