Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas, además de apoyar el desarrollo de casos de estudio. Con estos últimos, se busca que los alumnos se vean enfrentados a situaciones más cercanas a la realidad, recorriendo las distintas etapas de los proyectos de machine learning.

Los alumnos deben aplicar los conocimientos aprendidos en tres pequeños proyectos cuyo objetivo es reforzar el aprendizaje teórico de las clases lectivas. El primer proyecto se focaliza en aplicar herramientas de preprocesamiento y visualización de datos. Los siguientes tienen características integradoras de preprocesamiento y aplicación de modelos de machine learning tanto en su versión supervisada como no supervisada.  Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Introducción al aprendizaje de máquina
• Tipos de problemas en aprendizaje de máquina

• Introducción a librerías del ecosistema de data science
• Tipos de variables
• Análisis descriptivo de variables
• Transformación de variables
• Visualización de variables
• Imputación de datos

• Aprendizaje supervisado
• Regresión lineal
• Regresiones polinomiales
• Regresión con penalización
• Regresión logística

• Naive Bayes
• Evaluación de clasificadores
• Árboles de decisión
• Random Forest
• Random Forest para regresión

• Introducción a las redes neuronales artificiales
• Tecnologías para desarrollo de redes neuronales artificiales
• Redes neuronales artificiales

• Aprendizaje no supervisado
• K-Means
• Cluster jerárquico
• Evaluación de clusters
• Reducción de dimensionalidad