Temario del curso
Introducción al aprendizaje automático en negocios
- 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 posibles usos del aprendizaje automático en IA
- Sobreajuste y el equilibrio entre sesgo y varianza
Técnicas y flujo de trabajo de aprendizaje automático
- El ciclo de vida del aprendizaje automático: desde la definición del problema hasta su implementación
- Clasificación, regresión, agrupamiento 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 impulsada por aprendizaje automático
Preprocesamiento 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 y selección de variables
- Análisis exploratorio de datos y visualización de datos empresariales
Redes neuronales y aprendizaje profundo
- Introducción a las redes neuronales y su uso en negocios
- Estructura: capas de entrada, ocultas y de salida
- Retropropagación y funciones de activación
- Redes neuronales para clasificación y regresión
- Uso de redes neuronales en proyecciones y reconocimiento de patrones
Proyección de ventas y análisis predictivo
- Proyección basada en series de tiempo frente a regresión
- Descomposición de series de tiempo: tendencia, estacionalidad y ciclos
- Técnicas: regresión lineal, suavizado exponencial y ARIMA
- Redes neuronales para proyecciones no lineales
- Caso de estudio: Proyección del volumen mensual de ventas
Casos de estudio en aplicaciones empresariales
- Ingeniería avanzada de características para mejorar predicciones mediante regresión lineal
- Análisis de segmentación utilizando agrupamiento y mapas autoorganizados
- Análisis de canasta de mercado y minería de reglas de asociación para insights en retail
- 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
- Experiencia previa con Python u otro lenguaje de programación es útil, aunque no obligatoria
- Interés en aplicar el aprendizaje automático a problemas reales de negocios y proyección
Público objetivo
- Analistas de negocios
- Profesionales de IA
- Tomadores de decisiones y gestores basados en datos
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
