¿Qué voy a aprender?

1.Qué es Machine Learning?
2.Tipos de aprendizaje: supervisado,
3.no supervisado y por refuerzo
4.Ejemplos de aplicaciones de Machine Learning
5.Herramientas y bibliotecas populares de
6.Machine Learning
7.Recolección y obtención de datos
8.Limpieza y análisis exploratorio de datos
9.Transformación y normalización de datos
10.Selección de características relevantes
11.Ejemplos prácticos de limpieza de datos
12.Regresión lineal y regresión logística
13.Máquinas de soporte vectorial (SVM)
14.Árboles de decisión y bosques aleatorios
15.Evaluación y selección de modelos, teniendo
16.como alimento la data procesada del capítulo
anterior
17.Clustering: K-Means, DBSCAN,
18.Hierarchical Clustering
19.Reducción de dimensionalidad: PCA
(Análisis de Componentes Principales)
20.Evaluación y selección de modelos, teniendo
como alimento la data procesada del capítulo
anterior
21.Introducción a las redes neuronales
22.Redes neuronales convolucionales (CNN)
para casos prácticos
23.Redes neuronales recurrentes (RNN) y LSTM
para procesamiento de secuencias de
tiempo
24.Hiperparámetros y su ajuste
25.Regularización para evitar el sobreajuste
26.Validación cruzada
27.Procesamiento de lenguaje natural (NLP)
y modelos de lenguaje
28.Machine Learning en imágenes médicas
29.Uso de modelos generativos
30.Desarrollo de un proyecto de Machine
Learning presentando un informe tipo
paper, ppts y código