- Introducción a los Modelos Supervisados: Regresión Lineal y Regresión Logística

- Regresión Lineal Simple: Modelando la Relación Lineal entre Variables

- Regresión Lineal Múltiple: Incorporando Múltiples Características

- Regresión Logística: De la Regresión a la Clasificación Binaria

- Evaluación y Comparación de Modelos de Clasificación Binaria

- Introducción a la interpretabilidad y el balance sesgo-varianza en clasificadores

- Árboles de Decisión: Fundamentos y construcción para flujos de aprobación

- Bosques Aleatorios: Construcción, bagging y detección de fraude

- Máquinas de Soporte Vectorial (SVM): Teoría de márgenes y kernel para análisis de sentimiento

- K-Vecinos Más Cercanos (KNN): Clasificación basada en instancias para sistemas de recomendación

- Naive Bayes: Clasificador probabilístico y filtrado de spam

- Comparación y selección de clasificadores basada en interpretabilidad y rendimiento

- Caso práctico: Detección de fraude con Random Forest y evaluación de interpretabilidad

- Caso práctico: Análisis de sentimiento con SVM y selección de kernel

- Manejo de datos desbalanceados en clasificación (fraude y spam)

- Evaluación de interpretabilidad en clasificadores: Métodos y herramientas

- Despliegue y monitoreo de clasificadores en producción

- Introducción a los Métodos de Ensamble

- Fundamentos de Boosting: Conceptos Clave

- AdaBoost: Algoritmo y Mecanismo de Actualización

- Aplicación de AdaBoost para Detección de Anomalías

- Gradient Boosting: Principios y Algoritmo

- Gradient Boosting para Optimización de Rutas

- XGBoost: Características y Ventajas

- XGBoost para Predicción de Demanda Energética

- Comparación y Contraste: AdaBoost vs Gradient Boosting vs XGBoost

- Estrategias de Preprocesamiento y Selección de Características para Ensambles

- Evaluación de Modelos de Ensamble: Métricas y Validación

- Ajuste de Hiperparámetros en Ensambles: Grid Search y Random Search

- Interpretabilidad de los Ensambles: Importancia de Características y SHAP

- Ensambles y Regularización: Previniendo el Sobreajuste

- Proyecto Final: Integración de Técnicas de Ensamble

- Introducción al Aprendizaje No Supervisado y sus Aplicaciones

- K-Means: Fundamentos e Implementación

- Clustering Jerárquico: Dendrogramas y Análisis Filogenético

- DBSCAN: Clustering Basado en Densidad para Detección de Comunidades

- Evaluación y Selección de Algoritmos de Clustering

- Introducción a la Reducción de Dimensionalidad: PCA y sus Fundamentos

- PCA Práctico: Reducción de Riesgo Financiero y Visualización

- t-SNE: Visualización No Lineal de Datos Genómicos

- Comparación y Complementariedad entre PCA y t-SNE

- Proyecto Integrador: Segmentación y Visualización de Datos Multifuente

- Fundamentos del Aprendizaje por Refuerzo: MDP, Recompensas y Ecuación de Bellman

- Métodos Basados en Valor I: Q-Learning y Optimización de Portafolios

- Métodos Basados en Valor II: SARSA y Navegación Autónoma

- Aproximación de Funciones con Redes Neuronales: De Tablas a DQN

- Aplicación de DQN: Juegos de Atari

- Métodos Basados en Política: Policy Gradient y Juegos Complejos

- Métodos Actor-Critic: Combinando Valor y Política para Control Robótico

- Algoritmos Avanzados: DDPG y PPO para Control Continuo

- Métodos Off-Policy: Soft Actor-Critic (SAC) y Optimización de Portafolios Avanzada

- Métodos Basados en Modelo: Planificación con MCTS y Aplicación a Juegos

- Métodos de Exploración Eficiente: Curiosidad y Count-Based Exploration

- Aprendizaje por Refuerzo Multiagente: Conceptos Básicos y Aplicaciones

- Consideraciones Prácticas y Despliegue en Entornos Reales

- Proyecto Integrador Final: Sistema de Trading Autónomo con Actor-Critic

- Fundamentos de Redes Neuronales Artificiales

- Entrenamiento y Retropropagación

- Redes Convolucionales (CNN) para Visión por Computadora

- Redes Recurrentes (RNN) y Predicción de Series Temporales

- LSTM y GRU para Secuencias Largas

- Mecanismo de Atención y Arquitectura Transformer

- Transformers en la Práctica: Modelos de Lenguaje Grande

- Introducción a las Fronteras Algorítmicas: Contexto y Aplicaciones Transversales

- K-Means++: Clustering Refinado para Análisis Satelital

- Autoencoders: Compresión de Datos y Reducción de Dimensionalidad

- Isolation Forest: Detección de Intrusiones y Anomalías

- MDP: Procesos de Decisión de Markov para Planificación en Salud

- Algoritmos Genéticos: Diseño de Circuitos y Optimización Evolutiva

- Integración de Técnicas: Caso de Estudio en Finanzas

- Optimización de Rutas Logísticas con Algoritmos Genéticos y Clustering

- Detección de Anomalías en Salud: Comparativa Isolation Forest vs. Autoencoders

- Planificación de Tratamientos con MDP y Algoritmos Genéticos