La ciencia de datos es un campo interdisciplinar que utiliza métodos, algoritmos, procesos y sistemas para extraer conocimiento y conclusiones a partir de todo tipo de datos. A través del aprendizaje automático combina elementos de estadística, informática, matemáticas y técnicas de análisis para resolver problemas, hacer predicciones y generar valor a partir de los datos. Se apoya en grandes volúmenes de datos (Big Data) para descubrir patrones, tendencias y relaciones que pueden ser utilizadas para la toma de decisiones. En este libro se desarrollan técnicas de aprendizaje supervisado utilizadas habitualmente en las aplicaciones de Inteligencia Artificial Predictiva y Ciencia de Datos. Las técnicas se ilustran con ejemplos totalmente resueltos a partir del software adecuado para ello. Se utilizará el lenguaje R y sus librerías relativas al aprendizaje supervisado, ideales para trabajar en este campo. Se profundiza en algoritmos predictivos como: Regresión Lineal Múltiple, Ridge Regression, PLS Regression, LARS Regression, LASSO Regression, Elastic Net Regression, Modelo Lineal Generalizado, Regresión Robusta, Support Vector Regression (SVR), Kernel Ridge Regression (KRR), Stochastic Gradient Descendent Regression (SGD), Regresión de Hubert, Regresión de Poisson, Regresión Binomial Negativa, Modelos Logit y Probit, Modelos de Recuento, y Modelos de Regresión con Redes Neuronales. Se tratan especialmente los modelos para predicción de series temporales con redes neuronales (LSTM, RNN, NARX, NNAR, GRU y otros).