Adquirí conocimientos fundamentales en minería de datos, abarcando la identificación de patrones y tendencias en grandes volúmenes de información. Me familiaricé con las tendencias tecnológicas clave que impulsan el aprendizaje profundo, incluyendo técnicas de clasificación supervisada (árboles de decisión, K-NN) y agrupamiento (K-Means, DBScan). Desarrollé habilidades en la construcción, entrenamiento y aplicación de modelos de redes bayesianas, utilizando métricas como precisión, exhaustividad (recall) y F1-score para evaluar su rendimiento. Finalmente, apliqué estas técnicas en proyectos personales, utilizando R y Python para análisis avanzados.

Obtuve conocimientos básicos en el reconocimiento de patrones, abarcando la clasificación de patrones por funciones de distancia y similitud, así como técnicas de clasificación no paramétricas. Me familiaricé con la selección y extracción de características, el diseño de funciones discriminantes lineales y los conceptos básicos de probabilidad aplicados al campo. Desarrollé habilidades en el aprendizaje no supervisado y el agrupamiento, explorando algoritmos como K-medias, LBG e Isodata. Finalmente, comprendí los fundamentos del reconocimiento de patrones sintácticos, incluyendo la teoría de lenguajes formales y las gramáticas de reconocimiento.

Adquirí conocimientos fundamentales en programación con Python, abarcando la sintaxis básica del lenguaje, operadores, estructuras de control y otros recursos esenciales. Me familiaricé con el uso de estructuras de datos como cadenas, listas, tuplas, conjuntos y diccionarios, y aprendí a manipularlas eficientemente. Desarrollé habilidades en la organización modular del código utilizando funciones, clases, módulos y paquetes, así como en la implementación de programas bajo el paradigma orientado a objetos. Finalmente, adquirí experiencia en el tratamiento de errores y excepciones en Python, lo que me permite desarrollar aplicaciones más robustas y confiables.