Data Science para
Geociencias

1. Introducción a la ciencia de datos

• Conceptos de ML, DL, Big Data y DS.
• Aprendizaje supervisado y no supervisado
• Problemas de clasificación y regresión.
• Flujo de trabajo en proyectos de data science.
• Frameworks de trabajo.

2. Preparación de los datos

• Manejo de outliers,
  normalización y transformación.
• Visualización y análisis
  exploratorio de los datos.

3. Técnicas de validación

• Hold-Out validation
• K-fold cross validation

4. Ingeniería de características

• Eliminación de variables dummy.
• Reducción de dimensionalidad PCA
• Feature selection

5. Rendimiento de los modelos

• Métricas de rendimiento.

6. Métodos de Machine Learning

• Regresión lineal.
• Series de tiempo.
• Regresión logística.
• Árboles de decisión.
• Naive Bayes.
• Clusterización.
• K-Vecinos cercanos.
• Máquinas de soporte vectorial.

7. Modelos de Ensamble

• Boosting.
• Bagging

8. Elementos de redes neuronales

• Modelo perceptrón y función de activación.
• Descenso de gradiente y MLP.
• Creación de una base de datos con web scrapping.

9. Deep Learning

• Artificial Neural Networks (ANNs).
• Convolutional Neural Networks (CNNs).
• Arquitecturas del estado del arte y transfer learning.
• Autoencoders (AEs).
• Generative Adversary Networks (GANs).
• Recurrent Neural Networks y series de tiempo (RNNs).