Machine Learning utiliza dos tipos de técnicas: aprendizaje supervisado, que entrena modelos sobre datos de entrada y salida conocidos para poder predecir resultados futuros, y aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada. El objetivo del aprendizaje automático supervisado es construir un modelo que haga predicciones basadas en evidencias en presencia de incertidumbre. Entre las técnicas de aprendizaje supervisado destacan los modelos no lineales, que no asumen una relación lineal entre las variables de entrada y la variable de salida. En este libro se desarrollan técnicas de Machine Learning de aprendizaje supervisado relativas a modelos no lineales. El contenido comienza profundizando en los modelos no lineales de regresión múltiple con toda su problemática de identificación, estimación y diagnosis. Se hace hincapié en los modelos de ecuaciones simultáneas no lineales. También se tratan los modelos de regresión particionada y segmentada. A continuación, se aborda la familia de los modelos lineales generalizados y todas las tipologías de modelos no lineales derivados: Modelos Logit, Modelos Probit, Modelos de Poisson, Modelos Binomial Negativa, Modelos Exponenciales y Modelos Normales. Se continúa tratando los modelos de variable dependiente limitada, elección discreta, recuento, censurados, truncados y selección muestral. Una parte importante del contenido profundiza en los modelos no lineales con datos de panel. Se abordan los modelos Logit, Probit y de Poisson con datos de panel, así como las metodologías más habituales para el tratamiento de los modelos con datos de panel dinámicos como la metodología de Arellano y Bond. También se tratan las raíces unitarias en modelos de datos de panel, así como la cointegración en paneles. Finalmente, se dedica una parte del contenido a los modelos predictivos de redes neuronales, incluido el ajuste de modelos de regresión con redes y la predicción de series temporales a través de redes neuronales. Todos los capítulos se ilustran con ejemplos y ejercicios representativos resueltos con el software más actual como R, EVIEWS, SAS e IBM SPSS.