Curso de Machine Learning Aplicado usando Python (IFCD093PO)

Unidad Didáctica 1. Introducción al Machine Learning

• 1.1. Conceptos fundamentales del aprendizaje automático

• 1.2. Tipos de aprendizaje: supervisado, no supervisado y por refuerzo

• 1.3. Aplicaciones prácticas del Machine Learning

Unidad Didáctica 2. Fundamentos de Python para Machine Learning

• 2.1. Introducción a las bibliotecas esenciales

• 2.2. Manipulación de datos con NumPy y Pandas

• 2.3. Visualización de datos con Matplotlib

Unidad Didáctica 3. Preprocesamiento de datos

• 3.1. Técnicas de limpieza y transformación de datos

• 3.2. Manejo de valores faltantes

• 3.3. Normalización y escalado de características

Unidad Didáctica 4. Modelos de Machine Learning supervisados

• 4.1. Algoritmos de regresión: regresión lineal y regresión logística

• 4.2. Máquinas de soporte vectorial (SVM)

• 4.3. Implementación de modelos supervisados en Python

Unidad Didáctica 5. Modelos de Machine Learning no supervisados

• 5.1. Técnicas de clustering (agrupamiento): K-means

• 5.2. Reducción de dimensionalidad: Análisis de Componentes Principales (PCA)

Unidad Didáctica 6. Evaluación de modelos

• 6.1. Métricas de evaluación: precisión, recall y F1-score

• 6.2. Matrices de confusión y análisis de errores

Unidad Didáctica 7. Optimización de modelos

• 7.1. Técnicas de ajuste de hiperparámetros

• 7.2. Validación cruzada (cross-validation)

• 7.3. Mejora de la precisión y rendimiento del modelo

Unidad Didáctica 8. Aplicaciones prácticas de Machine Learning

• 8.1. Casos prácticos de resolución de problemas reales

• 8.2. Desarrollo e implementación de modelos predictivos en Python