1.- Introducción. Data Mining. Aprendizaje Supervisado y No Supervisado. Modelos Predictivos. Clasificación y Regresión

2.- Nociones de R

3.- Pre-procesamiento de datos

4.- Análisis de Componentes Principales

5.- Análisis Cluster. Métodos Jerárquicos. K-means

6.- Análisis Discriminate

7.- Regresión Logística

8.- Medidas de Evaluación de Modelos. Capacidad Predictiva. Curvas ROC

9.- Técnicas de Evaluación de Modelos. Validación cruzada. Bootstrapping

10.- Regresión Lineal. Métodos de Regresión por pasos

11.- Regresión sobre Componentes Principales. Mínimos Cuadrados Parciales (PLS)

12.- Métodos de Regresión Penalizados. Ridge. LASSO

13.- Métodos basados en Vecindad y Núcleos. k-NN

14.- Redes Neuronales (NN)

15.- Support Vector Machines (SVM)

16.- Árboles de Regresión y Clasificación (CART)

17.- Bagging. Boosting

18.- Random Foret (RF)

19.- Selección de Variables

20.- Comparación de Modelos Predictivos

21.- Evaluación de la Significación Estadística de un Clasificador mediante Test de Permutaciones