Data Science y Big Data: Decisiones basadas en datos

Reconocer un problema de regresión.  

Proponer un modelo adecuado con un propósito de inferencia.  

Diferenciar la correlación y la causalidad.  

Identificar contextos de altas dimensiones.  

Seleccionar el método apropiado para un contexto de altas dimensiones.  

Comprender las limitaciones de los estudios observacionales para la inferencia causal, poniendo un especial énfasis en el factor de confusión.  

Distinguir e implementar estudios controlados aleatorizados y realizar inferencias causales en ellos. 

Asimilar los principios de la detección de anomalías.  

Formular un problema de comprobación de hipótesis.  

Entender el concepto de valor p.  

Describir varios algoritmos de machine learning para la clasificación. 

Comprender el concepto de deep learning.  

Describir la retropropagación. 

Diferenciar entre la predicción tradicional y los sistemas de recomendación.  

Distinguir entre recomendaciones basadas en usuario y recomendaciones basadas en ítems.  

Describir las configuraciones bajo las cuales la descomposición en valores singulares, DVS (Singular Value Decomposition, SVD), funciona correctamente.  

Identificar sistemas de recomendación con diferentes tipos de datos.  

Hacer uso del active learning (aprendizaje activo) para compilar datos de manera eficiente.  

Ser consciente de la variedad de principios en los que se sostienen los sistemas de recomendación. 

Cuándo están tratando con datos de red o cuándo una red es la mejor vía para representar unos datos.  

Varios modelos de redes y sus dinámicas.  

Varios algoritmos presentes en las redes.  

Los fundamentos de los modelos de grafo.  

Las limitaciones del aprendizaje de los efectos causales de los datos observacionales. 

Reconocer cuándo trabajan con datos temporales, en contraposición a aquellos que no dependen del tiempo.  

Definir correctamente ejemplos de entrenamiento y variables de salida.  

Conocer varios algoritmos para el aprendizaje de atributos (feature learning).  

Conocer las bases de la selección de modelos y sus diversas técnicas.