Temario del curso
Introducción al aprendizaje automático
- Tipos de aprendizaje automático: supervisado vs. no supervisado.
- De la estadística al aprendizaje automático.
- El flujo de trabajo de minería de datos: comprensión del negocio, preparación de datos, modelado y despliegue.
- Selección del algoritmo adecuado para la tarea.
- Sobreajuste y el equilibrio entre sesgo y varianza.
Panorama de Python y bibliotecas de aprendizaje automático
- Por qué utilizar lenguajes de programación para aprendizaje automático.
- Elección entre R y Python.
- Curso intensivo de Python y Jupyter Notebooks.
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn.
Prueba y evaluación de algoritmos de aprendizaje automático
- Generalización, sobreajuste y validación de modelos.
- 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 beneficios, curva ROC, curva de ascenso.
- Selección de modelos y búsqueda en cuadrícula para ajuste.
Preparación de datos
- Importación y almacenamiento de datos en Python.
- Análisis exploratorio y estadísticas descriptivas.
- 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.
- Naïve Bayes, k-vecinos más cercanos.
- Árboles de decisión: CART, Random Forests, Bagging, Boosting, XGBoost.
- Máquinas de soporte vectorial y kernels.
- Técnicas de aprendizaje en conjunto.
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 retropropagación.
- Perceptrones multicapa (MLP).
- Uso de TensorFlow o PyTorch para modelado básico de redes neuronales.
- Redes neuronales para clasificación y regresión.
Pronóstico de ventas y análisis predictivo
- Pronóstico basado en series de tiempo vs. regresión.
- Manejo de datos estacionales y basados en tendencias.
- Construcción de un modelo de pronóstico de ventas utilizando técnicas de aprendizaje automático.
- Evaluación de la precisión e incertidumbre del pronóstico.
- Interpretación comercial y comunicación de los resultados.
Aprendizaje no supervisado
- Técnicas de agrupamiento: k-means, k-medoids, agrupamiento jerárquico, SOMs.
- Reducción de dimensionalidad: PCA, análisis factorial, SVD.
- Escalamiento multidimensional.
Minería de texto
- Preprocesamiento y tokenización de texto.
- Bolsa de palabras, stemming y lematización.
- Análisis de sentimientos y frecuencia de palabras.
- Visualización de datos de texto con nubes de palabras.
Sistemas de recomendación
- Filtrado colaborativo basado en usuarios y en ítems.
- Diseño y evaluación de motores de recomendación.
Minería de patrones de asociación
- Conjuntos de elementos frecuentes y algoritmo Apriori.
- Análisis de canasta de mercado y ratio de ascenso.
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 de negocio.
- Preprocesamiento de datos e ingeniería de características.
- Selección de modelos y ajuste de parámetros.
- Evaluación y presentación de hallazgos.
- Despliegue.
Resumen y siguientes 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, aunque no obligatorio, contar con cierta experiencia en el manejo de datos utilizando bibliotecas como pandas o NumPy.
- No se requiere experiencia previa en modelado avanzado o redes neuronales.
Público objetivo
- Científicos de datos.
- Analistas de negocios.
- Ingenieros de software y profesionales técnicos que trabajan con datos.
Testimonios (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
