Estadísticas y análisis de datos:

• Realizar análisis exploratorios sobre conjuntos de datos;
• Interpretar la distribución de datos y realizar pruebas de hipótesis;
• Crear gráficos y visualizaciones de datos adecuados a cada situación.

Programación y Proyectos:

• Lenguaje de programación Python;
• Librerías de Python enfocadas en Data Science y Machine Learning, como numpy, scipy, notebooks (jupyter y Kaggle), scikit-learn, Keras, nltk, gensim, spacy entre otras;
• Cómo utilizar herramientas para procesar datos, como filtrar, reordenar, buscar, limpiar datos inválidos, entre otras;
• Creación de scripts para entrenar y probar modelos de aprendizaje automático.

Grandes datos:

• Cómo utilizar bases de datos no relacionales (NoSQL) basadas en documentos o gráficos;
• Fundamentos y configuración del ecosistema Hadoop;
• Cómo recopilar datos abiertos en sitios web y redes sociales como Facebook y Twitter.

Aprendizaje automático / Inteligencia artificial: 

• Problemas prácticos en aprendizaje supervisado (clasificación y regresión) y no supervisado (agrupamiento). Cómo realizar experimentos adecuadamente, interpretar resultados, resolver problemas u optimizar modelos;
• El estudiante estudiará los algoritmos más tradicionales: Naive Bayes, Regresión Lineal, Regresión Logística, K-Vecinos, K-Medias, Redes Neuronales y SVM;
• Técnicas de aprendizaje profundo: redes neuronales profundas, retropropagación, descenso de gradiente, redes recurrentes y redes LSTM, redes convolucionales, problemas de clasificación y regresión. Problemas relacionados con la visión artificial y el procesamiento del lenguaje natural;
• Técnicas enfocadas al procesamiento del lenguaje natural y minería de texto que pueden aplicarse al análisis de sentimientos, extracción de información en texto no estructurado, sistemas de búsqueda y recomendación de textos similares, desarrollo de chatbots, generación automática de texto, entre otros.