MACHINE LEARNING II

[CB2 ]. Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio

[CB4 ]. Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado

[CG1 ]. Conocer y aplicar la analítica de datos y técnicas estadísticas apropiadas para descubrir nuevas relaciones en los datos y realizar aportaciones a procesos de las organizaciones, así como apoyar en la toma de decisiones.

[CG4 ]. Capacidad para aplicar los métodos generales de la ciencia e ingeniería de datos en los tipos de datos de dominios específicos, así como en la presentación de los datos, el modelado de datos y procesos, los roles organizacionales y las relaciones entre estos.

[CG6 ]. Ser capaz de buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo.

[CE1 ]. Usar de forma efectiva una variedad de técnicas de análisis de datos, tales como aprendizaje computacional (incluyendo aprendizaje supervisado, no supervisado y semi-supervisado), minería de datos, analítica prescriptiva y predictiva, para abordar el análisis de datos complejo en todo el ciclo de vida de los datos.

[CE2 ]. Desarrollar programas orientados al análisis de datos, usando las estructuras de datos, algoritmos y herramientas de programación adecuadas.

[CE4 ]. Comprender y usar diferentes métricas de desempeño y precisión para validar modelos en proyectos de analítica, test de hipótesis y recuperación de información.

[CE5 ]. Desarrollar análisis de datos para tareas de organizaciones, integrar diferentes analíticas y aplicaciones de procesamiento de datos en el flujo de trabajo de las organizaciones y los procesos de negocio con el fin de agilizar la toma de decisiones.

Utilizar herramientas para manejo de datos complejos.
Analizar fuentes de datos disponibles y desarrollar herramientas que funcionen con conjuntos de datos complejos.
Desarrollar analíticas especializadas para permitir la toma de decisiones.
Usar múltiples métricas de rendimiento y precisión, seleccione y use las más apropiadas para el tipo específico de aplicación de análisis de datos.

Soft-computing y razonamiento aproximado. Razonamiento probabilista. Método probabilístico clásico. K-NN y ventanas de Parzen. Redes Bayesianas. Datos secuenciales. Modelos de Markov y modelos ocultos de Markov. Algoritmos genéticos y técnicas evolutivas en ML. Procesado de datos con valores perdidos. Imputación. Evaluación de prestaciones y calidad. Conjuntos desequilibrados. Aprendizaje multitarea.