- ES Español (Latinoamérica)

- EN English

2.7. Matemáticas para Ciencia de Datos y Aprendizaje Automático (DSM)
Esta área proporciona los fundamentos matemáticos subyacentes a la ciencia de datos moderna y el aprendizaje automático. Cubre la teoría de aprendizaje estadístico, métodos de aprendizaje supervisado y no supervisado, técnicas de evaluación de modelos y los principios matemáticos que gobiernan el comportamiento de los algoritmos de aprendizaje. El enfoque está en comprender por qué funcionan los métodos de aprendizaje automático, sus garantías teóricas y sus limitaciones, en lugar de solo su aplicación.
| Área de Conocimiento (KA) | Core Tier1 | Core Tier2 |
2.7.1 Fundamentos del Aprendizaje Estadístico | 1 | 1 |
2.7.2 Métodos de Aprendizaje Supervisado | 1 | 1 |
2.7.3 Métodos de Aprendizaje No Supervisado | 1 | 1 |
2.7.4 Evaluación y Selección de Modelos | 1 | 1 |
2.7.1. DSM/Fundamentos del Aprendizaje Estadístico (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Compensación sesgo-varianza
- Teoría de Vapnik-Chervonenkis (VC)
- Minimización de riesgo empírico
- Cotass de generalización
- Fundamentos de teoría de aprendizaje
Aprendizaje esperado (Learning Outcomes):
Core:
- Analizar la compensación sesgo-varianza en selección de modelos [Evaluar]
- Aplicar teoría VC para analizar complejidad de modelos [Usar]
- Implementar minimización de riesgo empírico [Usar]
- Interpretar cotas de generalización [Familiarizarse]
2.7.2. DSM/Métodos de Aprendizaje Supervisado (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Modelos lineales y extensiones
- Máquinas de Vectores Soporte (SVM)
- árboles de decisión y métodos de ensamblado
- Métodos de kernel
- Aprendizaje supervisado probabilístico
Aprendizaje esperado (Learning Outcomes):
Core:
- Implementar y analizar modelos lineales [Usar]
- Aplicar SVM para clasificación y regresión [Usar]
- Construir métodos de ensamblado (bagging, boosting) [Usar]
- Usar métodos de kernel para problemas no lineales [Usar]
2.7.3. DSM/Métodos de Aprendizaje No Supervisado (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Algoritmos de clustering (k-means, jerárquico)
- Reducción de dimensionalidad (PCA, t-SNE)
- Estimación de densidad
- Aprendizaje de variedades
- Autoencoders y aprendizaje profundo no supervisado
Aprendizaje esperado (Learning Outcomes):
Core:
- Aplicar algoritmos de clustering para exploración de datos [Usar]
- Implementar PCA y otros métodos de reducción de dimensionalidad [Usar]
- Usar estimación de densidad para aprendizaje no supervisado [Usar]
- Analizar técnicas de aprendizaje de variedades [Evaluar]
2.7.4. DSM/Evaluación y Selección de Modelos (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Estrategias de validación cruzada
- Métricas de rendimiento para clasificación y regresión
- Comparación de modelos y pruebas estadísticas
- Optimización de hiperparámetros
- Curvas de aprendizaje y herramientas de diagnóstico
Aprendizaje esperado (Learning Outcomes):
Core:
- Implementar validación cruzada para evaluación de modelos [Usar]
- Seleccionar métricas de rendimiento apropiadas [Evaluar]
- Comparar modelos usando pruebas estadísticas [Usar]
- Optimizar hiperparámetros usando métodos sistemáticos [Usar]