?unique=d68bd7a){kind=logo}
Machine Learning con Python
Descripción
Outliers:
• Definición.
• Problemas de su no tratamiento.
• Detección de outliers:
o Gráficamente.
o Extracción de los outliers.
o Determinación de las observaciones que incluyen outliers.
o Extracción de los valores de los outliers.
• Tratamiento de los outliers:
o Eliminación de las observaciones.
o Transformación en NAs.
o Creación de nuevas variables dummy de forma masiva.
o Tratamiento individualizado.
Valores perdidos:
• Cuantificación de los valores perdidos:
o Total.
o Por variables.
o Por observaciones.
• Análisis gráfico de los valores perdidos.
• Eliminación de los valores perdidos variable por variables.
• Eliminación masiva de los valores perdidos.
• Eliminación de variables con alto porcentaje de valores perdidos.
• Imputación por valores estadísticos (media, moda, mediana)
• Métodos de imputación múltiple.
• Creación de modelos para la imputación.
Estadísticos básicos: Cálculo e interpretación de la:
• Media.
• Mediana.
• Moda
• Varianza.
• Covarianza.
• Correlación.
Regresión como base de la modelización:
• Regresión lineal simple.
• Regresión lineal general.
• Regresión polinómica.
• Regresión logística.
• Error Cuadrático Medio y Error Absoluto.
• Estimación de la recta de regresión.
• Análisis de la significatividad global del modelo.
• Análisis de la significatividad individual de las variables.
• Cálculo del Coeficiente de Determinación.
• Dummy Variables.
Machine Learning
1. Definición.
2. Mapa conceptual.
3. Modelos supervisados:
1. Clasificación:
2. Regresión logística.
3. KNN.
4. Naive Bayes.
5. Árbol de clasificación.
6. C5.0
7. Random Forest.
8. XGBoost.
9.
2. Regresión:
1. Regresión.
2. Árbol de regresión.
3. Random Forest.
4. XGBoost.
d. Modelos no supervisados:
1. Clusterización
2. Reglas de asociación.
4. Series temporales univariantes.
• Definición.
• Problemas de su no tratamiento.
• Detección de outliers:
o Gráficamente.
o Extracción de los outliers.
o Determinación de las observaciones que incluyen outliers.
o Extracción de los valores de los outliers.
• Tratamiento de los outliers:
o Eliminación de las observaciones.
o Transformación en NAs.
o Creación de nuevas variables dummy de forma masiva.
o Tratamiento individualizado.
Valores perdidos:
• Cuantificación de los valores perdidos:
o Total.
o Por variables.
o Por observaciones.
• Análisis gráfico de los valores perdidos.
• Eliminación de los valores perdidos variable por variables.
• Eliminación masiva de los valores perdidos.
• Eliminación de variables con alto porcentaje de valores perdidos.
• Imputación por valores estadísticos (media, moda, mediana)
• Métodos de imputación múltiple.
• Creación de modelos para la imputación.
Estadísticos básicos: Cálculo e interpretación de la:
• Media.
• Mediana.
• Moda
• Varianza.
• Covarianza.
• Correlación.
Regresión como base de la modelización:
• Regresión lineal simple.
• Regresión lineal general.
• Regresión polinómica.
• Regresión logística.
• Error Cuadrático Medio y Error Absoluto.
• Estimación de la recta de regresión.
• Análisis de la significatividad global del modelo.
• Análisis de la significatividad individual de las variables.
• Cálculo del Coeficiente de Determinación.
• Dummy Variables.
Machine Learning
1. Definición.
2. Mapa conceptual.
3. Modelos supervisados:
1. Clasificación:
2. Regresión logística.
3. KNN.
4. Naive Bayes.
5. Árbol de clasificación.
6. C5.0
7. Random Forest.
8. XGBoost.
9.
2. Regresión:
1. Regresión.
2. Árbol de regresión.
3. Random Forest.
4. XGBoost.
d. Modelos no supervisados:
1. Clusterización
2. Reglas de asociación.
4. Series temporales univariantes.
Información del curso
Fechas26/10/2026 - 11/11/2026
Duración (nº horas)30,0
Horario
26, 28 de octubre, 2, 4, 9 y 11 de noviembre de 9 a 14 horas
FormatoPresencial-Virtual
Localización
Virtual por teams
IdiomaEspañol
Plazas disponibles15 15
Coste