¿Qué es Machine Learning y sus aplicaciones?

Introducción
- Introducción del profesor
- Contenido del curso
- ¿Qué es Machine Learning y sus aplicaciones?
- Presentación del caso aplicativo
- Código Fuente y Datasets
  - Enlace
Conceptos Básicos
- Variables de un modelo
- Modelos de Aprendizaje Supervisado
- Modelos de Aprendizaje No Supervisado
- Diferencias entre Aprendizaje Supervisado y No Supervisado y cómo elegir
- Validación de modelos
- Fases de implementación de un modelo de Machine Learning (CRISP-DM)
- Cuándo usar Machine Learning vs. Analítica
- Machine Learning en Python
Transformación de datos para un modelo
- Formato tidy data
- Limpieza de valores nulos o faltantes
- Selección de variable target y predictores
- Sets de entrenamiento y prueba: train/test/validation
- Caso aplicativo: preparación de los datos
Modelamiento incluyendo implementación del caso aplicativo
- Identificación del modelo a usar
- Análisis exploratorio previo y visualización de datos
- Modelo de aprendizaje supervisado: Regresión lineal
- Modelo de aprendizaje supervisado: Regresión logística
- Modelo de aprendizaje supervisado: Árbol de decisión
- Modelo de aprendizaje no supervisado: Clustering/agrupamiento
Validación del modelo e interpretación de resultados
- Validación de los diferentes modelos
- Caso aplicativo: Modelamiento e Interpretación de resultados