Este curso se centra en técnicas avanzadas de aprendizaje supervisado, proporcionando conocimientos teóricos y prácticos sobre varios algoritmos y procesos utilizados en la definición y aplicación de modelos. A lo largo del curso, se profundizará en los siguientes temas, todos ellos desarrollados para problemas de clasificación y de regresión: Support Vector Machines, Algoritmo del Vecino Más Próximo (k-NN), ensamblado de modelos y la puesta en producción de modelos, incluyendo la creación de aplicaciones.

1. Support Vector Machines (SVM)

• Introducción a SVM: conceptos básicos y geometría del SVM; SVM para clasificación y regresión.

• Teoría del margen máximo: Hiperplanos y márgenes en un espacio de características, maximización del margen para mejorar la generalización.

• Kernels en SVM: funciones kernel y su importancia en la transformación de datos; tipos de kernels.

• Implementación y optimización: parámetros de ajuste y validación cruzada; implementación práctica en Python.

2. Algoritmo del Vecino Más Próximo (k-NN)

• Introducción al algoritmo k-NN: concepto y principios fundamentales del k-NN; elección del valor de k y su impacto en el modelo.

• Distancias y métricas: diferentes métricas de distancia; impacto de la normalización de datos en k-NN.

• Aplicaciones de k-NN: ejemplos prácticos en clasificación y regresión; ventajas y limitaciones del algoritmo k-NN.

• Implementación y optimización: parámetros de ajuste y validación cruzada; implementación práctica en Python.

3. Ensamblado de Modelos

• Conceptos básicos: ventajas del ensamblado de modelos; métodos de ensamblado con distintos modelos base.

• Implementación y optimización: parámetros de ajuste y validación cruzada; implementación práctica en Python.

4. Puesta en Producción de Modelos

• Ciclo de vida de Machine Learning

• Infraestructura y Herramientas

• Monitorización y Mantenimiento

• Creación de Aplicaciones