Aprendizaje Supervisado en ML

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL APRENDIZAJE SUPERVISADO 1. Definición del aprendizaje supervisado 2. Diferencias con otros paradigmas: no supervisado y por refuerzo 3. Tipos de problemas: clasificación vs regresión 4. Pipeline típico de ML supervisado 5. Evaluación de modelos: Métricas clave y validación cruzada UNIDAD DIDÁCTICA 2. PREPARACIÓN DE DATOS Y FEATURE ENGINEERING 1. Calidad de los datos: limpieza, manejo de valores faltantes y outliers 2. Codificación de variables categóricas 3. Escalado y normalización de características 4. Selección y extracción de características relevantes 5. Técnicas de reducción de dimensionalidad (PCA, LDA) UNIDAD DIDÁCTICA 3. MODELOS BÁSICOS DE APRENDIZAJE SUPERVISADO 1. Regresión lineal y sus variantes 2. Clasificadores lineales: perceptrón y regresión logística 3. Árboles de decisión: estructura, poda y criterios de partición 4. Vecinos más cercanos (k-NN): simplicidad y limitaciones 5. Métricas de evaluación específicas por tipo de modelo UNIDAD DIDÁCTICA 4. MODELOS AVANZADOS Y ENSAMBLADO 1. Máquinas de Vectores de Soporte (SVM): márgenes y kernels 2. Bagging, Boosting y Stacking 3. Random Forest y sus ventajas sobre árboles individuales 4. Gradient Boosting Machines 5. Ajuste de hiperparámetros y validación anidada