Machine Learning con R

UNIDAD 1. INTRODUCCIÓN AL MACHINE LEARNING (2 Horas)
1.1. Software R para modelación
1.2. Repaso de tidyverse
1.3. Revisión de fundamentos de modelación en R

UNIDAD 2. PREPROCESAMIENTO Y AJUSTE (6 Horas)
2.1. Feature Engineering (Librería recipes)
2.2. Ajuste de Modelos (Librería parsnip)
2.3. Flujo de modelos
2.4. Métricas de rendimiento

UNIDAD 3. ALGORITMOS DE REGRESIÓN Y CLASIFICACIÓN (15 Horas)
3.1. Algoritmos de regresión
3.1. Regresión lineal
3.1.1. Validación
3.1.2. Selección del mejor modelo
3.2. Algoritmos de clasificación
3.2.1. Regresión logística
3.2.2. Análisis discriminante
3.2.3. Naive Bayesiano
3.2.4. Máquina de soporte vectorial (SVM)
3.2.5. Evaluación de modelos de clasificación

UNIDAD 4. APRENDIZAJE DE MÁQUINA ESTADÍSTICO (9 Horas)
4.1. K-vecinos más cercanos
4.2. Árboles de decisión (CART)
4.3. Re-muestreo agregado (Bagging)
4.4. Boosting

UNIDAD 5. CLASIFICACIÓN NO SUPERVISADA (3 Horas)
5.1. Métodos de componentes principales
5.1.1. Análisis de componentes principales (Variables cuantitativas)
5.1.2. Análisis de correspondencia (Variables cualitativas)

UNIDAD 6. HERRAMIENTAS PARA CREACIÓN DE MODELOS EFECTIVOS (5 Horas)
6.1. Remuestreo para evaluación del rendimiento
6.2. Comparando modelos con remuestreo
6.3. Ajuste del modelo y desafíos con el sobre-ajuste
6.4. Búsqueda de parámetros a priori
6.5. Búsqueda iterativa de parámetros
6.6. Prospección eficiente de modelos