Temario del curso
Introducción al aprendizaje automático en entornos empresariales
- El aprendizaje automático como componente central de la inteligencia artificial.
- Tipos de aprendizaje automático: supervisado, no supervisado, por refuerzo y semi-supervisado.
- Algoritmos comunes de aprendizaje automático utilizados en aplicaciones empresariales.
- Desafíos, riesgos y usos potenciales del aprendizaje automático en la inteligencia artificial.
- El sobreajuste (overfitting) y el compromiso entre sesgo y varianza.
Técnicas y flujo de trabajo del aprendizaje automático
- El ciclo de vida del aprendizaje automático: desde el problema hasta el despliegue.
- Clasificación, regresión, agrupamiento (clustering) y detección de anomalías.
- Cuándo utilizar aprendizaje supervisado frente a no supervisado.
- Comprensión del aprendizaje por refuerzo en la automatización empresarial.
- Consideraciones en la toma de decisiones basada en aprendizaje automático.
Procesamiento de datos e ingeniería de características
- Preparación de datos: carga, limpieza y transformación.
- Ingeniería de características: codificación, transformación y creación.
- Escalado de características: normalización y estandarización.
- Reducción de dimensionalidad: PCA (Análisis de Componentes Principales) y selección de variables.
- Análisis exploratorio de datos y visualización empresarial de datos.
Redes neuronales y aprendizaje profundo
- Introducción a las redes neuronales y su uso en entornos empresariales.
- Estructura: capas de entrada, ocultas y de salida.
- Retropropagación y funciones de activación.
- Redes neuronales para clasificación y regresión.
- Uso de redes neuronales en la previsión y el reconocimiento de patrones.
Previsión de ventas y análisis predictivo
- Previsión basada en series temporales frente a la basada en regresión.
- Descomposición de series temporales: tendencia, estacionalidad y ciclos.
- Técnicas: regresión lineal, suavización exponencial y ARIMA.
- Redes neuronales para previsión no lineal.
- Estudio de caso: previsión del volumen mensual de ventas.
Estudios de caso en aplicaciones empresariales
- Ingeniería avanzada de características para mejorar la predicción mediante regresión lineal.
- Análisis de segmentación utilizando agrupamiento (clustering) y mapas autoorganizados.
- Análisis del carrito de la compra y minería de reglas de asociación para obtener información sobre el comercio minorista.
- Clasificación de incumplimiento de clientes mediante regresión logística, árboles de decisión, XGBoost y SVM.
Resumen y próximos pasos
Requerimientos
- Comprensión básica de los principios del aprendizaje automático y sus aplicaciones.
- Familiaridad con el trabajo en entornos de hojas de cálculo o herramientas de análisis de datos.
- Tener alguna experiencia previa con Python u otro lenguaje de programación es útil, pero no obligatorio.
- Interés en aplicar el aprendizaje automático a problemas empresariales y de previsión del mundo real.
Público objetivo
- Analistas de negocios.
- Profesionales de la inteligencia artificial.
- Tomadores de decisiones basados en datos y gerentes.
Reseñas (2)
Fomentar la repetición en la construcción de indicaciones (prompts) entre quienes nunca han utilizado la IA, y animar a los usuarios experimentados a considerar métodos alternativos para su uso.
Matthew Gay - Tarsus Pharmaceuticals
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
