Temario del curso
Introducción al Aprendizaje Automático
- Tipos de aprendizaje automático: supervisado vs. no supervisado
- Del aprendizaje estadístico al aprendizaje automático
- Flujo de trabajo de la minería de datos: comprensión del negocio, preparación de datos, modelado y despliegue
- Elección del algoritmo adecuado para cada tarea
- Sobreajuste (overfitting) y el equilibrio entre sesgo y varianza
Descripción General de Python y Bibliotecas de ML
- Por qué utilizar lenguajes de programación para ML
- Selección entre R y Python
- Curso intensivo de Python y Notebooks Jupyter
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn
Pruebas y Evaluación de Algoritmos de ML
- Generalización, sobreajuste y validación del modelo
- Estrategias de evaluación: muestra separada, validación cruzada y bootstrapping
- Métricas para regresión: ME, MSE, RMSE, MAPE
- Métricas para clasificación: precisión, matriz de confusión y clases desbalanceadas
- Visualización del rendimiento del modelo: curva de beneficio (profit), curva ROC, curva lift
- Selección de modelos y búsqueda en cuadrícula (grid search) para ajuste
Preparación de Datos
- Importación y almacenamiento de datos en Python
- Análisis exploratorio y estadísticas resumidas
- Manejo de valores faltantes y atípicos (outliers)
- Estandarización, normalización y transformación
- Reclasificación de datos cualitativos y manipulación de datos con pandas
Algoritmos de Clasificación
- Clasificación binaria vs. multiclase
- Regresión logística y funciones discriminantes
- Naïve Bayes, k vecinos más cercanos (k-NN)
- Árboles de decisión: CART, Bosques Aleatorios (Random Forests), Bagging, Boosting, XGBoost
- Máquinas de Vectores de Soporte (SVM) y núcleos (kernels)
- Técnicas de aprendizaje por conjunto (ensemble learning)
Regresión y Predicción Numérica
- Mínimos cuadrados y selección de variables
- Métodos de regularización: L1, L2
- Regresión polinomial y modelos no lineales
- Árboles de regresión y splines
Redes Neuronales
- Introducción a las redes neuronales y el aprendizaje profundo (deep learning)
- Funciones de activación, capas y propagación hacia atrás (backpropagation)
- Perceptrones multicapa (MLP)
- Uso de TensorFlow o PyTorch para modelado básico de redes neuronales
- Redes neuronales para clasificación y regresión
Predicción de Ventas y Análisis Predictivo
- Pronóstico basado en series temporales vs. basado en regresión
- Manejo de datos con estacionalidad y tendencia
- Construcción de un modelo de predicción de ventas utilizando técnicas de ML
- Evaluación de la precisión e incertidumbre de las predicciones
- Interpretación empresarial y comunicación de resultados
Aprendizaje No Supervisado
- Técnicas de agrupamiento (clustering): k-means, k-medoids, clustering jerárquico, mapas auto-organizados (SOMs)
- Reducción de dimensionalidad: PCA, análisis factorial, SVD
- Escalamiento multidimensional
Minería de Textos
- Preprocesamiento de textos y tokenización
- Bolsa de palabras (bag-of-words), stemming y lematización
- Análisis de sentimiento y frecuencia de palabras
- Visualización de datos de texto con nubes de palabras
Sistemas de Recomendación
- Filtrado colaborativo basado en usuarios y basado en ítems
- Diseño y evaluación de motores de recomendación
Minería de Patrones de Asociación
- Itemsets frecuentes y algoritmo Apriori
- Análisis de canasta de mercado y coeficiente lift
Detección de Valores Atípicos
- Análisis de valores extremos
- Métodos basados en distancia y densidad
- Detección de valores atípicos en datos de alta dimensionalidad
Estudio de Caso de Aprendizaje Automático
- Comprensión del problema empresarial
- Preprocesamiento de datos e ingeniería de características
- Selección del modelo y ajuste de parámetros
- Evaluación y presentación de hallazgos
- Despliegue (deployment)
Resumen y Próximos Pasos
Requerimientos
- Conocimientos básicos de conceptos de aprendizaje automático, como aprendizaje supervisado y no supervisado
- Familiaridad con la programación en Python (variables, bucles, funciones)
- Es útil, pero no obligatorio, contar con algo de experiencia manejando datos mediante bibliotecas como pandas o NumPy
- No se espera experiencia previa en modelado avanzado ni en redes neuronales
Público Objetivo
- Científicos de datos
- Analistas de negocios
- Ingenieros de software y profesionales técnicos que trabajen con datos
Reseñas (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
Que se estuviera aplicando datos reales de la empresa. El formador tenía un enfoque muy bueno al hacer que los participantes colaboraran y competieran.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Traducción Automática
