MACHINE LEARNING II

• Comprensión de Modelos No Supervisados: Los participantes desarrollarán una comprensión profunda de los modelos no supervisados, incluyendo técnicas de agrupamiento (clustering), aplicaciones prácticas y los desafíos éticos y técnicos asociados.
• Diferenciación de Técnicas de Aprendizaje: Se aprenderán las diferencias clave entre el aprendizaje supervisado y no supervisado, y cómo implementar y evaluar ambos tipos de modelos en diferentes contextos.
• Reducción de Dimensiones: Los estudiantes adquirirán habilidades para aplicar técnicas de reducción de dimensionalidad, como el análisis de componentes principales (PCA) y el análisis discriminante lineal (LDA), y comprenderán las técnicas no lineales.
• Implementación de Algoritmos de Segmentación: Los participantes serán capaces de implementar y evaluar diversos algoritmos de segmentación, incluyendo métodos tradicionales, algoritmos basados en redes neuronales y nuevas metodologías en el aprendizaje automático.
• Detección de Anomalías: Los asistentes aprenderán a aplicar métodos eficaces para la detección de anomalías en conjuntos de datos, una competencia crucial para identificar patrones inusuales y prevenir fraudes o fallos en sistemas.
• Análisis de Asociaciones: Los estudiantes serán competentes en realizar análisis de asociaciones, aplicando métodos tradicionales y estudiando casos de uso prácticos que permitan descubrir relaciones interesantes y útiles entre variables en grandes bases de datos.

1.MODELOS NO SUPERVISADOS

• Introduccion a los modelos no supervisados
• Agrupamiento (clustering)
• Aplicaciones y casos de uso
• Consideraciones eicas y desafíos

2.DIFERENCIAS ENTRE SUPERVISADO Y NO SUPERVISADO

• Introduccion
• Diferencias entre el aprendizaje supervisado y no supervido
• Implementacion y consideraciones

3.REDUCCION DE DIMENSIONES

• Reducción de dimensiones: conceptos clave
• Análisis de componentes principales
• Análisis discriminante lineal
• Técnicas de reducción de dimensionalidad no lineales

4.ALGORITMOS DE SEGMENTACION

• Introduccion a la segmentacion
• Metodos de segmentacion tradicionales
• Algoritmos de segmentacion basados en redes neuronales
• Algoritmos de segmentacion basados en aprendizaje automatico
• Evaluacion de algoritmos de segmentacion
• Nuevos paradigmas de segmentación

5.DETECCION DE ANOMALIAS

• Detección de anomalías
• Métodos para la detección de anomalías

6.ANALISIS DE ASOCIACIONES

• Introducción al análisis de asociaciones
• Métodos de análisis de asociaciones tradicionales
• Casos de estudio