CONTENIDOS MÍNIMOS:

Introducción. Minería de Datos y Aprendizaje Automático. Definiciones básicas y conceptos fundamentales. Preparación de Datos. Operaciones de limpieza y transformación.
Tareas y Métodos. Tareas predictivas y descriptivas. Aprendizaje supervisado y aprendizaje no supervisado.
Árboles de decisión. Métricas de selección de atributos basadas en entropía. Poda y Sobreajuste. Construcción de árboles para grandes volúmenes de datos.
Evaluación de modelos predictivos
Reglas de clasificación. Reglas de asociación. Concepto de ítem frecuente.
Métricas de calidad: soporte, cobertura, confianza, interés y convicción.
Técnicas de Agrupamiento. Métricas de calidad del agrupamiento. Tipos de agrupamiento: Jerárquico, partitivo y probabilista.
Aprendizaje Automático Profundo (Deep Learning). Redes Neuronales Artificiales.
Arquitecturas de redes neuronales convolucionales (CNN) y recurrentes (RNN).
Aplicaciones de redes neuronales profundas en visión por computadora y procesamiento del lenguaje natural.