Curso de machine learning con R

¡Bienvenido a un curso para los que quieren dominar las predicciones con algoritmos! Este curso es una introducción práctica al Machine Learning usando R. Está pensado para quienes tienen conocimientos básicos de programación o estadística y quieren dar el salto al ML desde cero. Y si no tienes esos conocimientos, ya sabes que aquí en D0AR los puedes conseguir sin problema Como ejemplo, todo el contenido gira en torno al mundo del automovilismo: los datasets contienen coches de producción, pilotos de F1, WRC y Endurance, y datos de telemetría de vueltas en circuito. El objetivo es que los conceptos no sean abstractos, sino que cada algoritmo responda una pregunta concreta relacionada con el motor, el rendimiento o la competición. Aun así, podrás trasladar lo aprendido a cualquier otro sector. El curso arranca con una clase introductoria en modo presentación y avanza progresivamente: primero se aprende a explorar y limpiar datos (dos clases dedicadas exclusivamente a esto, porque en la práctica es donde se pasa la mayor parte del tiempo), luego se abordan los algoritmos de aprendizaje supervisado —regresión lineal, regresión logística, KNN, árboles de decisión, Random Forest y XGBoost—, después se explora el aprendizaje no supervisado mediante clustering y reducción de dimensionalidad con PCA, y se cierra con una clase dedicada a la validación rigurosa de modelos mediante validación cruzada y grid search. A lo largo del curso se trabaja con tres datasets propios: · coches.csv — 55 coches de producción con características técnicas y precio. Incluye superdeportivos, SUV, eléctricos y GT, con suciedad intencional para las clases de limpieza (valores erróneos, NAs estructurales, outliers). · pilotos.csv — 30 pilotos de F1, WRC y Endurance con estadísticas de carrera (victorias, podios, poles) y una variable objetivo binaria: ¿ha sido campeón alguna vez? · telemetria.csv — 150 vueltas simuladas correspondientes a tres estilos de pilotaje (Agresivo, Equilibrado, Conservador), con variables de velocidad, G-lateral, desgaste de neumáticos y consumo de combustible. Al terminar el curso, serás capaz de tomar un dataset en bruto, limpiarlo, construir y comparar modelos de distinta naturaleza —desde regresión lineal hasta XGBoost— y evaluarlos correctamente con validación cruzada.