1. Introducción a la asignatura.

i. Importancia de los datos experimentales.

ii. Pasos a seguir en el análisis de datos experimentales.

iii. Preprocesado de los datos.

iv. Clase de problemas a considerar: regresión y clasificación.

v. Selección de variables. Importancia.

vi. Modelos lineales y no lineales.

vii. Importancia de la capacidad de generalización.

viii. Extracción de conocimiento.

ix. Ejemplo de un proceso de análisis de datos completo.

2. Desarrollo de modelos lineales sin dependencia temporal.

i. Modelo lineal general; expresión y variaciones.

ii. Análisis Multivariante. Cálculo de los parámetros libres.

iii. Funciones de coste: importancia.

iv. Clasificadores lineales. Funciones discriminantes.

v. Información proporcionada por un modelo lineal.

vi. Ejemplos sencillos de desarrollo de modelos lineales.

3. Desarrollo de modelos lineales con dependencia temporal.

i. Variables con dependencia temporal. Magnitudes a considerar.

ii. Modelos ARMA. Expresiones y variaciones.

iii. Cálculo de los parámetros en modelos ARMA.

iv. Ejemplos de obtención de modelos ARMA.

4. Generalización de los modelos lineales. Modelos no lineales

i. Ventajas e inconvenientes de los modelos lineales.

ii. Modelos no lineales

iii. Descripción. Algunos ejemplos.

iv. Problemas con los modelos no lineales.

v. Generalización, sobreajuste.

vi. Obtención de los parámetros en los modelos no lineales.

vii. Perceptrón Multicapa.

viii. Arquitectura.

ix. Algoritmo de Aprendizaje.

x. Características de Funcionamiento.

xi. Ejemplo de Aplicación.

xii. Modelos no lineales en clasificación.

5. Extracción de conocimiento de los modelos.

i. Análisis de sensibilidad.

ii. Obtención de reglas.

iii. Ejemplo real.