Sistemas de aprendizaje automático

En esta asignatura, los estudiantes adquieren competencias para desarrollar modelos que aprenden patrones de datos. Dominan algoritmos supervisados y no supervisados aplicables a problemas reales. Aprenden a evaluar el rendimiento de los modelos, optimizar hiperparámetros e implementar soluciones prácticas con herramientas profesionales como scikit-learn.

Contenidos principales

• Algoritmos de aprendizaje supervisado: regresión, clasificación, árboles de decisión, SVM, etc.
• Algoritmos de aprendizaje no supervisado: clustering, reducción de dimensionalidad, etc.
• Evaluación de modelos: métricas, validación cruzada, curvas ROC, etc.
• Optimización de hiperparámetros: grid search, random search, etc.
• Implementación práctica: scikit-learn, pandas, numpy, etc.

Proyectos y prácticas

Los estudiantes realizan proyectos prácticos aplicando los conocimientos adquiridos a problemas reales, como:

• Desarrollo de sistemas de recomendación
• Clasificación de imágenes
• Predicción de series temporales
• Segmentación de clientes

Salidas profesionales

Esta asignatura prepara a los estudiantes para roles como:

• Data Scientist
• Machine Learning Engineer
• Analista de datos
• Desarrollador de sistemas predictivos

Metodología

La asignatura combina clases teóricas con talleres prácticos y desarrollo de proyectos reales, siguiendo la metodología ETHAZI.