Proporcionar una comprensión sólida de los conceptos fundamentales y técnicas del aprendizaje automático, incluyendo los tipos de aprendizaje supervisado y no supervisado. El curso busca que los estudiantes adquieran habilidades prácticas para desarrollar, entrenar y evaluar modelos predictivos, así como aplicar algoritmos básicos para resolver problemas reales. También se promueve el uso de herramientas y bibliotecas estándar del sector para implementar soluciones de Machine Learning.

Comprender los fundamentos del aprendizaje supervisado, no supervisado y por refuerzo.
Aplicar técnicas de preprocesamiento de datos para mejorar el rendimiento de los modelos.
Desarrollar y entrenar modelos básicos como regresión lineal, árboles de decisión y redes neuronales.
Evaluar el rendimiento de los modelos mediante métricas y validación cruzada.
Implementar algoritmos de clustering y clasificación.
Identificar y abordar problemas de sobreajuste y subajuste.
Utilizar librerías populares como scikit-learn y TensorFlow.

Ordenadores con conexión a Internet.