Programa

Unidad 1. Introducción al curso (I): introducción al lenguaje Python

1. Sintaxis, entorno y ejecución

2. Tipos de datos y estructuras

3. Control de flujo y comprensión de colecciones

4. Funciones y documentación

5. Módulos, paquetes y gestión de dependencias

6. Programación orientada a objetos

7. Lectura, escritura y manejo de archivos

8. Bibliotecas habituales y entornos virtuales

9. Pruebas, depuración y buenas prácticas

Unidad 2. Introducción al curso (II): librerías de Python para Machine Learning

1. Preparación del entorno científico de Python

2. Arrays numéricos con NumPy

3. Análisis tabular con Pandas

4. Visualización con Matplotlib

5. Visualización exploratoria con Seaborn

6. Flujos de trabajo con scikit-learn

7. Redes neuronales con TensorFlow y Keras

8. Entrenamiento con PyTorch

9. Boosting con XGBoost y LightGBM

Evaluación parcial 1

Unidad 3. Introducción al curso (III): uso de bases de datos, consultas y procedimientos

1. Fundamentos de bases de datos para ML

2. Modelado relacional y calidad del dato

3. Conexión desde Python a bases de datos

4. Consultas SELECT avanzadas

5. Joins, subconsultas y CTE

6. Agregaciones analíticas y funciones ventana

7. Procedimientos almacenados y transacciones

8. Extracción y carga de datos para ML

9. Automatización de consultas en pipelines

Unidad 4. Introducción al curso (IV): fundamentos sobre Machine Learning

1. Qué es el Machine Learning y cuándo usarlo

2. Tipos de aprendizaje y casos de uso

3. Recopilación y comprensión de datos

4. Preprocesamiento y limpieza de datos

5. Selección y transformación de características

6. Entrenamiento y validación de modelos

7. Métricas de evaluación y ajuste

8. Algoritmos comunes de clasificación

9. Despliegue, monitorización y mejora continua

Unidad 5. Introducción al curso (V): medidas de eficiencia energética y sostenibilidad ambiental

1. Impacto ambiental del ciclo de vida de un modelo

2. Medición del consumo y la huella de carbono

3. Eficiencia en CPU, GPU y memoria

4. Optimización de datos y almacenamiento

5. Entrenamiento eficiente y ajuste responsable

6. Inferencia eficiente y escalado sostenible

7. Uso responsable de la nube

8. Monitorización de costes, energía y emisiones

9. Diseño de buenas prácticas y políticas verdes

Evaluación parcial 2

Unidad 6. Aprendizaje supervisado (I): definición, aplicaciones y medidas de rendimiento

1. Problemas de clasificación y regresión

2. Casos de uso en salud, economía y empresa

3. Preparación del conjunto de entrenamiento y prueba

4. Validación cruzada y selección de particiones

5. Métricas para clasificación

6. Métricas para regresión

7. Errores habituales, sobreajuste y leakage

Unidad 7. Aprendizaje supervisado (II): modelos lineales, modelos supervisados y combinación de modelos

1. Regresión lineal y regularización

2. Regresión logística para clasificación

3. Árboles de decisión

4. Máquinas de soporte vectorial

5. Redes neuronales para datos tabulares

6. Random Forest y combinación de modelos

7. Comparación, selección e interpretación del mejor modelo

Evaluación parcial 3

Unidad 8. Aprendizaje no supervisado (I): definición, aplicaciones y medidas de rendimiento

1. Qué resuelve el aprendizaje no supervisado

2. Casos de uso y criterios de negocio

3. Preparación y normalización de datos

4. Medidas de distancia y similitud

5. Métricas internas de rendimiento

6. Métricas externas y validación

7. Interpretación de grupos y comunicación de resultados

Unidad 9. Aprendizaje no supervisado (II): clustering, tipos, biclustering, manifolds y análisis de la cesta

1. Clustering particional con k-means

2. Clustering jerárquico y basado en densidad

3. Selección del número de clústeres y análisis de estabilidad

4. Biclustering y aplicaciones

5. Manifolds y reducción de la dimensionalidad

6. Reglas de asociación y análisis de la cesta

7. De patrones a decisiones accionables

Evaluación parcial 4