Minería de datos avanzada
Lleva la minería de datos del ejercicio de clase al proyecto real. Es un curso de nivel de máster en ingeniería y la continuación del curso Minería de datos: da por conocidos los algoritmos clásicos y se centra en el flujo de trabajo profesional, de la preparación de datos sin fugas y la validación rigurosa a los ensembles modernos, las series temporales y la interpretabilidad de los modelos.
Qué incluye: 10 temas y 6 entregas evaluables
- Módulo 1 · Preparación y evaluación — Tema 1 El proyecto de minería de datos y la preparación de datos · Tema 2 Reducción de dimensionalidad · Tema 3 Validación avanzada y ajuste de modelos · Práctica 1: preparación de datos y modelo base
- Módulo 2 · Aprendizaje no supervisado — Tema 4 Clustering avanzado y detección de anomalías · Práctica 2: segmentación y anomalías
- Módulo 3 · Modelos supervisados avanzados — Tema 5 Máquinas de vectores soporte y métodos kernel · Tema 6 Ensembles modernos: random forest, boosting y stacking (con combinación en cascada) · Práctica 3: comparativa de modelos supervisados
- Módulo 4 · Series temporales e interpretabilidad — Tema 7 Series temporales · Práctica 4: predicción de series temporales · Tema 8 Interpretabilidad y aprendizaje automático responsable
- Módulo 5 · Clasificadores clásicos, redes neuronales y grafos — Tema 9 Clasificadores clásicos: naive Bayes, k-NN y árboles de decisión · Tema 10 Redes neuronales con Keras · Práctica 6: clustering y árbol de expansión mínima
- Cierre — Entrega 5: análisis crítico de un artículo científico
Cada tema trae un PDF propio, un notebook de entrenamiento con ejercicios autocorregibles y su solución, y una autoevaluación que desbloquea lo siguiente.
Trabajarás en Python con pandas, scikit-learn, XGBoost, LightGBM, statsmodels, imbalanced-learn, SHAP, UMAP, TensorFlow/Keras y networkx, en local o en Google Colab (sin necesidad de GPU). Dedicación estimada: 154 horas de temas y entregas, más una hora de presentación (unas 10 horas semanales durante 16 semanas). Requisitos: haber cursado Minería de datos o tener formación equivalente (algoritmos clásicos de clasificación y clustering, evaluación de modelos y Python con pandas y scikit-learn), además de estadística, álgebra lineal y cálculo de nivel universitario.