🟢Módulo 1: Fundamentos de Python y Rstudio

1. 🔶Introducción a Python y R Studio.
2. 🔶Manipulación de datos con Pandas.

🟢Módulo 2: Pre tratamiento de bases de datos

1. 🔶Operaciones matemáticas y álgebra lineal
2. 🔶Gráficas y visualizaciones básicas con Matplotlib y Seaborn.

🟢Módulo 3: Balanceo de base de datos 1

1. 🔶Identificación y tratamiento de valores
2. 🔶Transformación de variables categóricas (One-Hot Encoding y Label Encoding).

🟢Módulo 4: Balanceo de base de datos 2

1. 🔶Balanceo de datos desbalanceados.
2. 🔶Normalización y estandarización de datos.

🟢Módulo 5: Análisis de componentes principales (ACP)

1. 🔶Introducción al aprendizaje no supervisado.
2. 🔶Reducción de dimensionalidad: Análisis de Componentes Principales (ACP/PCA).

🟢Módulo 6: ACP y Modelos de Clustering

1. 🔶Modelos de clustering: K-Means y DBSCAN.
2. 🔶Interpretación y visualización de resultados.

🟢Módulo 7: Regresión Lineal

1. 🔶Introducción a la regresión lineal.
2. 🔶Modelo de Regresión lineal.
3. 🔶Evaluación del modelo.

🟢Módulo 8: Regresión Lineal Múltiple

1. 🔶Regresión múltiple y selección de variables.
2. 🔶Evaluación del modelo: MSE, RMSE y R-cuadrado.

🟢Módulo 9: Regresión Logística

1. 🔶Concepto de regresión logística.
2. 🔶Diferencias con la regresión lineal.
3. 🔶Curva ROC y métricas de clasificación: Accuracy, Precision, Recall y F1-Score.

🟢Módulo 10: Análisis discriminante Lineal y análisis Factorial

1. 🔶Análisis Discriminante Lineal (LDA): Uso en problemas de clasificación.
2. 🔶Análisis Factorial: Diferencias con PCA y interpretación de factores.

🟢Módulo 11: Arboles de decisión / Random Forest

1. 🔶Construcción de un árbol de decisión.
2. 🔶Importancia de las variables.
3. 🔶Random Forest: Concepto de ensambles (bagging) / Ventajas y desventajas.

🟢Módulo 12: Redes Neuronales

1. 🔶Conceptos básicos: Neuronas, pesos, bias y Funciones de activación (ReLU, Sigmoid, Tanh).
2. 🔶Arquitectura de una red neuronal: Capas de entrada, ocultas y de salida.
3. 🔶Forward Propagation y Backward Propagation.
4. 🔶Función de costo y optimización (SGD, Adam).
5. 🔶Ajuste de hiperparámetros (tasa de aprendizaje, épocas, batch size).