Tema 1: Fundamentos del Análisis Predictivo 

1.1 Definición y objetivos.

1.2 Diferencias con análisis descriptivo y prescriptivo.

Tema 2: Modelos de Regresión

2.1 Regresión lineal simple y múltiple.

2.2 Interpretación de coeficientes y métricas de evaluación.

Tema 3: Series Temporales 

3.1 Componentes de una serie temporal.

3.2 Modelos básicos: ARIMA y SARIMA.

Tema 4: Técnicas de Clasificación Predictiva

4.1 Introducción a algoritmos de clasificación.

4.2 Análisis de métricas: precisión, recall, F1-score.

Tema 5: Validación y Optimización de Modelos 

5.1 División en datos de entrenamiento y prueba.

5.2 Uso de Grid Search y validación cruzada.

Tema 1: Introducción al Machine Learning (8 horas)

1.1 Conceptos clave: supervisado, no supervisado, reforzado.

1.2 Flujo de trabajo en un proyecto de ML.

Tema 2: Algoritmos Supervisados (16 horas)

2.1 Regresión logística.

2.2 Árboles de decisión.

Tema 3: Algoritmos No Supervisados (8 horas)

3.1 Clustering con K-Means.

3.2 Reducción de dimensionalidad con PCA.

Tema 4: Evaluación de Modelos (16 horas)

4.1 Métricas para modelos supervisados: AUC, ROC.

4.2 Evaluación de modelos no supervisados.

Tema 5: Implementación Práctica con Python (8 horas)

5.1 Uso de Scikit-learn y TensorFlow básico.

5.2 Creación de proyectos pequeños.