Fundamentos de estadística (aprox. 6 días)

Fundamentos de la teoría de la medición (población y muestra, tipos de muestra, niveles de medición y escala)

Estadística descriptiva univariante (distribuciones de frecuencia, medidas centrales, medidas de dispersión, valor estándar, histogramas, diagramas de barras, diagramas circulares, diagramas de líneas y diagramas de caja)

Estadística descriptiva bivariante (medidas de correlación, coeficientes de correlación, tablas cruzadas, gráficos de dispersión y gráficos de barras agrupadas)

Fundamentos de la estadística inferencial inductiva (distribución de probabilidades, distribución normal, distribución del valor medio, prueba de significación, prueba de hipótesis nula de Fisher, tamaño del efecto, estimación de parámetros, intervalos de confianza, gráficos de barras de error, análisis de potencia y determinación del tamaño óptimo de la muestra).

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Métodos para comparar dos grupos (aprox. 5 días)

pruebas z y t para una muestra (desviación de un valor especificado)

Prueba t para la diferencia de medias entre dos muestras independientes/conectadas

Comprobación de la eficacia de acciones, medidas, intervenciones y otros cambios con pruebas t (diseños pretest-postest con dos grupos)

Pruebas de significación de apoyo (prueba de Anderson-Darling, prueba de Ryan-Joiner, prueba de Levene, prueba de Bonnet, prueba de significación para correlaciones)

Métodos no paramétricos (prueba de Wilcoxon, prueba de signos, prueba de Mann-Whitney)

Análisis de contingencia (prueba binomial, prueba exacta de Fisher, prueba chi-cuadrado, tabulaciones cruzadas con medidas de asociación)

Métodos para comparar las medias de varios grupos (aprox. 5 días)

Análisis de varianza monofactorial y bifactorial (ANOVA simple y equilibrado)

Análisis multifactorial de la varianza (modelo lineal general)

Factores fijos, aleatorios, cruzados y anidados

Métodos de comparación múltiple (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)

Análisis de interacción (análisis de efectos de interacción)

Análisis de selectividad y potencia para análisis de varianza

Introducción al diseño de experimentos (DoE) (aprox. 1 día)

Diseños experimentales factoriales completos y parciales

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje automático (aprox. 5 días)

¿Por qué aprendizaje automático?

Ejemplos de aplicación

Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje parcialmente supervisado, aprendizaje por refuerzo

Ejemplos de conjuntos de datos

Conocer los datos

Datos de entrenamiento, validación y prueba

Visualización de datos

Hacer predicciones

Aprendizaje supervisado (aprox. 5 días)

Clasificación y regresión

Generalización, ajuste excesivo y ajuste insuficiente

Tamaño del conjunto de datos

Algoritmos de aprendizaje supervisado

Modelos lineales

Clasificadores Bayes

Árboles de decisión

Bosque aleatorio

Impulso por gradiente

k-vecinos más cercanos

Máquinas de vectores soporte

Campo aleatorio condicional

Redes neuronales y aprendizaje profundo

Probabilidades

Aprendizaje no supervisado (aprox. 5 días)

Tipos de aprendizaje no supervisado

Preprocesamiento y escalado

Transformaciones de datos

Escalado de datos de entrenamiento y de prueba

Reducción dimensional

Ingeniería de características

Aprendizaje múltiple

Descomposición de componentes principales (PCA)

Factorización de matrices no negativas (NMF)

Aprendizaje múltiple con t-SNE

Análisis de clústeres

Agrupación de k-Means

Agrupación por conglomerados

Análisis jerárquico de conglomerados

DBSCAN

Algoritmos de clúster

Evaluación y mejora (aprox. 2 días)

Selección y evaluación de modelos

Ajuste de los hiperparámetros de un estimador

Validación cruzada

Búsqueda en cuadrícula

Métricas de evaluación

Clasificación

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje por refuerzo (aprox. 1 día)

Definición y conceptos básicos

Diferencias con otros métodos de aprendizaje

Ámbitos de aplicación y ejemplos

Procesos de decisión de Markov (MDP) (aprox. 2 días)

Definición y propiedades de los MDP

Funciones de valor y política

Ecuaciones de Bellman

Enfoque de programación dinámica

Q-Learning (aprox. 2 días)

Definición y algoritmo

Exploración frente a explotación

Convergencia y propiedades de optimización

Aplicaciones en juegos, robótica y otros ámbitos

Aprendizaje profundo por refuerzo (aprox. 3 días)

Aprendizaje Q profundo

Gradientes de políticas deterministas profundas (DDPG)

Métodos críticos de actor

Métodos de gradiente de política

Temas avanzados (aprox. 4 días)

Aprendizaje por refuerzo basado en modelos

Aprendizaje por refuerzo multiagente

Aprendizaje por refuerzo inverso

Metaaprendizaje por refuerzo

Aplicaciones prácticas (aprox. 3 días)

Implementación de algoritmos de aprendizaje por refuerzo

Aplicación a problemas y casos prácticos seleccionados

Evaluación y ajuste de los algoritmos

Resumen y perspectivas (aprox. 2 días)

Resumen de los conceptos y resultados más importantes

Retos y evolución futura del aprendizaje por refuerzo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto