Machine Learning utiliza dos tipos de tecnicas: 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 intrinsecas en los datos de entrada. El objetivo del aprendizaje automatico supervisado es construir un modelo que haga predicciones basadas en evidencias en presencia de incertidumbre. Entre las tecnicas de aprendizaje supervisado destacan los modelos no lineales, que no asumen una relacion lineal entre las variables de entrada y la variable de salida. En este libro se desarrollan tecnicas de Machine Learning de aprendizaje supervisado relativas a modelos no lineales. El contenido comienza profundizando en los modelos no lineales de regresion multiple con toda su problematica de identificacion, estimacion y diagnosis. Se hace hincapie en los modelos de ecuaciones simultaneas no lineales. Tambien se tratan los modelos de regresion particionada y segmentada. A continuacion, se aborda la familia de los modelos lineales generalizados y todas las tipologias de modelos no lineales derivados: Modelos Logit, Modelos Probit, Modelos de Poisson, Modelos Binomial Negativa, Modelos Exponenciales y Modelos Normales. Se continua tratando los modelos de variable dependiente limitada, eleccion discreta, recuento, censurados, truncados y seleccion muestral.