diff --git a/README.md b/README.md
index e62d3fb0..37dbe2ed 100644
--- a/README.md
+++ b/README.md
@@ -3,9 +3,21 @@
 Este repositorio contiene los cuadernos que guiarán al estudiante a través del curso de Aprendizaje No Supervisado de la [Maestría en Inteligencia Analítica de Datos](https://www.coursera.org/degrees/maestria-analitica-de-datos-uniandes) de la Universidad de los Andes. Los notebooks, quices y talleres acá consignados fueron desarrollados en conjunto por el profesor [Ignacio Sarmiento Barbieri](https://ignaciomsarmiento.github.io/) y Lucas Gómez Tobón. 
 
 ## Tabla de contenido
-El contenido del curso está dividido en semanas. A continuación se muestra la distribución de tópicos por semana:
+El contenido del curso está dividido en semanas. Cada semana contiene un subconjunto de *jupyter notebooks* con los tópicos de la semana. En los *notebooks* encontrará las explicaciones teóricas y los tutoriales prácticos en Python para cada técnica. Adicionalmente, al final de cada semana encontrará un taller para poner en práctica el conocimiento aprendido durante la semana. Los cuadernos se encuentran en la carpeta de `Tutoriales` del repositorio, sin embargo, acá le presentamos una Tabla de Contenido con los hipervínculos a cada uno de los cuadernos para facilitar el acceso.
 
 
+|                   Semana                   |                                                                                                         Tópicos                                                                                                         |
+|:------------------------------------------:|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------:|
+|                Prerequisitos               | <ul><li>[Repaso de Algebra Lineal](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week0/S0_LSC1_Algebra_Lineal/S0_LSC1_Algebra_Lineal.ipynb)</li> <li>[Ejercicios de Algebra Lineal](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week0/S0_LSC1b_Algebra_Lineal_Solucion/S0_LSC1b_Algebra_Lineal_Solucion.ipynb)</li> <li>[Introducción a Python](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week0/S0_LSC2_Introduccion_Python/S0_LSC2_Introduccion_Python.ipynb)</li> <li>[Introducción a GitHub](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week0/S0_LSC3_GitHub/S0_LSC3_GitHub.ipynb)</li></ul> |
+|       Reducción de Dimensionalidad I       | <ul><li>[Análisis de Componentes Principales (PCA). Fundamentos Teóricos](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week1/S1_LSC1_PCA/S1_LSC1_PCA.ipynb)</li> <li> [Análisis de Componentes Principales (PCA). Detalles sobre su Implementación](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week1/S1_LSC2_PCA_detalles/S1_LSC2_PCA_detalles.ipynb) </li> <li> [Taller PCA](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week1/S1_LC_Taller_PCA/S1_LC_Taller_PCA.ipynb) </li> </ul> |
+|       Reducción de Dimensionalidad II      | <ul><li>[Descomposición en Valores Singulares (SVD). Fundamentos Teóricos](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week2/S2_LSC1_SVD/S2_LSC1_SVD.ipynb) </li> <li>[Descomposición en Valores Singulares. Interpretación Geométrica y Ejercicios Teóricos](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week2/S2_LSC2_Geometria_Ejercicios_Teoricos/S2_LSC2_Geometria_Ejercicios_Teoricos.ipynb) </li> <li>[Solución a Ejercicios sobre Descomposición en Valores Singulares](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week2/S2_LSC3_SVD_Ejercicios_Teoricos_Solucion/S2_LSC3_SVD_Ejercicios_Teoricos_Solucion.ipynb) </li> <li>[Taller SVD](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week2/S2_LC_Taller_SVD/S2_LC_Taller_SVD.ipynb) </li> </ul> |
+|                Clustering I                | <ul><li>[Introducción al Análisis de Clusters](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week3/S3_LSC1_Clustering/S3_LSC1_Clustering.ipynb)</li><li>[K-Medias](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week3/S3_LSC2_K_medias/S3_LSC2_K_medias.ipynb)</li><li>[K-Medoides](https://github.com/lgomezt/Unsupervised_Learning_MIAD/blob/main/Tutoriales/Week3/S3_LSC3_Medoides/S3_LSC3_Medoides.ipynb)</li></ul> |
+|                Clustering II               | <ul><li>Clustering Jerárquico</li><li>DBSCAN</li></ul> |
+|         Sistemas de Recomendación I        | - Fundamentos Teóricos de los Sistemas de Recomendación - Filtrado Colaborativo Basado en Items - Análisis de Canastas de Compra - Reglas de Asociación - Algoritmo Apriorio - Filtrado Colaborativo Basado en Usuarios |
+|        Sistemas de Recomendación II        |                                   - Modelos de Tópicos (LDA) - Filtrado Colaborativo Basado en Contenido - Expresiones Regulares - Introducción al Procesamiento del Lenguaje Natural                                   |
+|  Sistema de Información Geográfico (GIS) I |                                                                     - Introducción a los Datos Geográficos - Estimación de Densidad de Kernel (KDE)                                                                     |
+| Sistema de Información Geográfico (GIS) II |                                                                                                  - Mixturas Gaussianas                                                                                                  |
+
 
 
 *Nota: Este repositorio no reemplaza el curso enseñado en Coursera pues carece de sesiones de clase sincronicas, el contenido audiovisual asincronico, el trabajo en equipo y las retroalimentaciones del equipo docente. No obstante, el material acá consignado es una buena introducción para todo aquel que desee aprender sobre el Aprendizaje No Supervisado*.