MACHINE LEARNING FOR BIG DATA / APRENDIZAJE AUTOMÁTICO APLICADO A BIG DATA

Recién titulados que no quieran cursar un máster específico sobre técnicas de aprendizaje automático pero consideren interesante conocer estas técnicas.
Profesionales del sector de las TIC que necesitan ampliar conocimientos en el ámbito del análisis datos, especialmente de grandes volúmenes de datos, donde estas técnicas les permitirán crear procesos automatizados de extracción de información a partir de los datos.

Módulo 1-Introducción a Machine Learning y el Reconocimiento de Patrones--2 horas.
-Práctica sobre un ejemplo de regresión lineal para introducir Numpy y Scikit-Learn.

Módulo 2-Repaso teoría de la probabilidad y su aplicación a un ejemplo mediante un clasificador del tipo Naive Bayes--2 horas.
-Práctica utilizando un clasificador Naive Bayes sobre un par de datasets.

Módulo 3-Repaso distribución de probabilidad Normal o de Gauss.
Estimación por Máxima Verosimilitud--2 horas.
-Práctica aplicando la estimación por máxima verosimilitud para generar un clasificador basado en Gaussians.

Módulo 4-Técnicas de aprendizaje no supervisado--3 horas.
-Gaussian Mixture Models.
-Algoritmo K-Means.
-Kernel Density Estimation.
-K-Nearest Neighbours
-Práctica aplicando estas técnicas sobre los mismos datasets de las prácticas anteriores para ver qué técnicas son más idóneas según qué problema necesitamos resolver.

Módulo 5-Funciones Discriminantes Lineales--2 horas.
-Práctica de aplicación de clasificadores basados en discriminantes lineales.

Módulo 6 -Support Vector Machines--2 horas.
-Práctica para estudiar la idoneidad de las SVM a distintos datasets y el efecto de sus parámetros de ajuste.

Módulo 7-Redes Neuronales Artificiales. Algoritmo de entrenamiento Backpropagation--3 horas.
-Práctica aplicando redes neuronales sobre algunos de los datasets ya utilizados.

Módulo 8-Deep Learning (Redes Neuronales de alta complejidad)--2 horas.
-Autoencoders.
-Práctica para conocer las técnicas de entrenamiento de estas redes y las fases en qué aplicarlas.

Módulo 9 -Extremely Randomized Trees--2 horas.
-Práctica para estudiar la aplicación de esta técnica simple en apariencia pero potente en sus resultados.

Total 20 horas.