La ciencia de datos es un campo interdisciplinar que utiliza metodos, algoritmos, procesos y sistemas para extraer conocimiento y conclusiones a partir de datos estructurados y no estructurados. Combina elementos de estadistica, informatica, matematicas y tecnicas de analisis para resolver problemas, hacer predicciones y generar valor a partir de los datos y es un soporte importante para la Inteligencia Artificial. Se apoya en grandes volumenes de datos (big data) y utiliza el aprendizaje automatico (Machine Learning) para descubrir patrones, tendencias y relaciones que pueden ser utilizadas para la toma de decisiones. Los algoritmos de Ciencia de Datos utilizan metodos computacionales para extraer informacion directamente de los datos. El aprendizaje automatico usa dos tipos de tecnicas: el aprendizaje supervisado, que entrena a un modelo con datos conocidos de entrada y salida para que pueda predecir resultados futuros, y el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrinsecas en los datos de entrada. La mayoria de las tecnicas de aprendizaje supervisado se desarrollan a lo largo de este libro desde un punto de vista metodologico y desde un punto de vista practico con aplicaciones a traves del software R. Se profundiza en las siguientes tecnicas: Analisis Discriminante, Arboles de Decision, Modelos Logit, Modelos Probit, Modelos de Recuento, Modelos Lineales Generalizados, Modelos de Eleccion Discreta, Random Forest, Redes Neuronales, Perceptron Multicapa, Redes de Base Radial, Redes LSTM, Redes Recurrentes RNN y Redes Neuronales para Prediccion de Series Temporales.