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 minería de datos: comprensión empresarial, preparación de datos, modelado y despliegue
- Selección del algoritmo adecuado para la tarea
- Sobreajuste y el equilibrio entre sesgo y varianza
Visión General de Python y Bibliotecas de ML
- Por qué utilizar lenguajes de programación para ML
- Elección 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: holdout, validación cruzada, bootstrapping
- Métricas para regresión: ME, MSE, RMSE, MAPE
- Métricas para clasificación: precisión, matriz de confusión, clases desbalanceadas
- Visualización del rendimiento del modelo: curva de beneficio, curva ROC, curva lift
- Selección de modelos y búsqueda en cuadrícula para ajuste fino
Preparación de Datos
- Importación y almacenamiento de datos en Python
- Análisis exploratorio y estadísticas resumidas
- Manejo de valores faltantes y valores atípicos
- Estandarización, normalización y transformación
- Recodificación de datos cualitativos y manipulación de datos con pandas
Algoritmos de Clasificación
- Clasificación binaria vs multiclase
- Regresión logística y funciones discriminantes
- Bayes ingenuo, k-vectores más cercanos (k-NN)
- Árboles de decisión: CART, Random Forests, Bagging, Boosting, XGBoost
- Máquinas de vectores de soporte y kernels
- Técnicas de aprendizaje por conjunto (ensemble)
Regresión y Predicción Numérica
- Mínimos cuadrados y selección de variables
- Métodos de regularización: L1, L2
- Regresión polinómica y modelos no lineales
- Árboles de regresión y splines
Redes Neuronales
- Introducción a las redes neuronales y el aprendizaje profundo
- 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 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: k-means, k-medoids, clustering jerárquico, SOMs
- Reducción de dimensionalidad: PCA, análisis factorial, SVD
- Escalamiento multidimensional
Minería de Texto
- Preprocesamiento de texto 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 elementos
- Diseño y evaluación de motores de recomendación
Minería de Patrones de Asociación
- Conjuntos frecuentes y algoritmo Apriori
- Análisis de cestas de compra y ratio lift
Detección de Valores Atípicos
- Análisis de valores extremos
- Métodos basados en distancia y densidad
- Detección de valores atípicos en datos de alta dimensionalidad
Caso de Estudio de Aprendizaje Automático
- Comprensión del problema empresarial
- Preprocesamiento de datos e ingeniería de características
- Selección de modelo y ajuste de parámetros
- Evaluación y presentación de hallazgos
- Despliegue
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 tener algo de experiencia trabajando con datos mediante bibliotecas como pandas o NumPy, pero no es obligatorio
- No se espera experiencia previa en modelado avanzado o redes neuronales
Audiencia Objetivo
- Científicos de datos
- Analistas de negocio
- Ingenieros de software y profesionales técnicos que trabajan 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
