Introducir los aspectos metodológicos de algunas técnicas modernas de aprendizaje automático. Aplicar dichas técnicas a conjuntos de datos reales e interpretar los resultados obtenidos. Acercar el estudiante al empleo de los paquetes para el análisis estadístico de datos disponibles en el ambiente de desarrollo de software libre R (http://www.r-project.org/)
Introducir los aspectos metodológicos de algunas técnicas modernas de aprendizaje automático. Aplicar dichas técnicas a conjuntos de datos reales e interpretar los resultados obtenidos. Acercar el estudiante al empleo de los paquetes para el análisis estadístico de datos disponibles en el ambiente de desarrollo de software libre R (http://www.r-project.org/)
1. Introducción a la modelización. Matriz de datos. Aprendizaje supervisado y no supervisado. Modelización: inferencia y predicción.
2. Clasificación. Clasificación bayesiana. Métodos de k vecinos más cercanos
3. Arboles de clasificación y regresión (CART).
4. Métodos de agregación de modelos: Bagging, Boosting, Random Forest, Stacking.
5. Clusters: jerárquicos, no jerárquicos, basados en modelos. Spectral Clustering.
6. Support Vector Machines.
Resolución de ejercicios propuestos durante el curso y prueba presencial final.