Se utiliza el lenguaje de programación Python y el servicio Google Colab para resolver todo tipo de problemas de aprendizaje automático, aplicando técnicas y algoritmos muy diversos.

Se evalúa la calidad de los resultados con medidas cuantitativas. De esta forma, se puede elegir el mejor algoritmo y los valores óptimos para sus parámetros de configuración.

¿Qué algoritmos aprenderemos?

1. Para problemas de clasificación, se aplican clasificadores lineales, k-NN, clasificadores bayesianos, árboles de decisión, y métodos de conjunto como RandomForest y AdaBoost.
2. Para problemas de regresión, se utiliza regresión lineal, regresión basada en árboles de decisión, entre otros.
3. Para aprendizaje no supervisado, se utilizan diversos algoritmos de clustering como k-Means, DBSCAN DBSCAN y clustering jerárquico. Se complementa con técnicas para reducción de la dimensionalidad como PCA (análisis de componentes principales).
4. Deep learning con redes neuronales multinivel para problemas de clasificación y de regresión.

El primer aprendizaje será el tratamiento y limpieza de grandes volúmenes de datos utilizando R (tidy,dplyr, stringr, readr, purr) y Python (numpy, pandas).

A continuación hay que aplicar técnicas de reducción de dimensionalidad para convertir un conjunto de datos de dimensiones elevadas en un conjunto de datos de dimensiones menores, asegurando que la información que proporciona en similar en ambos casos. Se utilizarán técnicas  como PCA, t-SNE y LDA en conjunto a la aplicación de técnicas clásicas de Machine Learning como árboles (j48,CART, ID3), métodos bayesianos, máquinas de vectores de soporte, etc. Y otros métodos más avanzados que utilizan bagging o boosting (XGBoost, AdaBoost, GBM, RF).

Se verán técnicas de convergencia digital y tecnológica, es que capaz de integrar todos los elementos tecnológicos  de la computación y la información en un objetivo:

• NLTK, Whoosh, TextBlob y Spacy para procesamiento de lenguaje natural.
• BautifulSoup y RE para la extracción de contenidos y datos de páginas web o webscraping.
• Gensim, word2vec, Elmo, Glove y Fasttext para análisis semántico.
• openCV para procesamiento de imágenes.
• Redes neuronales y los modelos preentrenados para análisis de gramáticas, para supercompresión de datos, clasificación de imágenes, para la  segmentación de imágenes y reconocimiento de objetos etc.

Finalmente se tratarán los sistemas de aprendizaje o Deep Learning con las herramientas más utilizadas: Tensorflow y keras.