Temario del curso
Introducción al aprendizaje automático
- Tipos de aprendizaje automático: supervisado frente a no supervisado.
- Del aprendizaje estadístico al aprendizaje automático.
- El flujo de trabajo del minería de datos: comprensión empresarial, preparación de datos, modelización y despliegue.
- Selección del algoritmo adecuado para la tarea.
- Sobreajuste (overfitting) y el equilibrio entre sesgo y varianza.
Visión general de Python y las bibliotecas de ML
- Por qué utilizar lenguajes de programación para el aprendizaje automático.
- Selección entre R y Python.
- Curso intensivo de Python y cuadernos Jupyter (Jupyter Notebooks).
- 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: prueba de retención (holdout), validación cruzada, bootstrapping.
- Métricas para la regresión: ME, MSE, RMSE, MAPE.
- Métricas para la clasificación: precisión, matriz de confusión y clases desbalanceadas.
- Visualización del rendimiento del modelo: curva de beneficios, curva ROC, curva de elevación (lift).
- Selección de modelos y búsqueda en cuadrícula (grid search) para la optimización.
Preparación de datos
- Importación y almacenamiento de datos en Python.
- Análisis exploratorio y estadísticas resumidas.
- Tratamiento 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 frente a multiclase.
- Regresión logística y funciones discriminantes.
- Bayes ingenuo, k-vecinos más cercanos (k-nearest neighbors).
- Árboles de decisión: CART, Bosques aleatorios (Random Forests), Bagging, Boosting, XGBoost.
- Máquinas de soporte vectorial (SVM) y kernels.
- Técnicas de aprendizaje por conjuntos (ensemble learning).
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 (curvas segmentadas).
Redes neuronales
- Introducción a las redes neuronales y al aprendizaje profundo (deep learning).
- Funciones de activación, capas y retropropagación.
- Perceptrones multicapa (MLP).
- Uso de TensorFlow o PyTorch para la modelización básica de redes neuronales.
- Redes neuronales para clasificación y regresión.
Predicción de ventas y análisis predictivo
- Pronósticos basados en series temporales frente a los basados en regresión.
- Tratamiento de datos con estacionalidad y tendencia.
- Construcción de un modelo de predicción de ventas mediante técnicas de aprendizaje automático.
- Evaluación de la precisión e incertidumbre del pronóstico.
- Interpretación empresarial y comunicación de los resultados.
Aprendizaje no supervisado
- Técnicas de agrupamiento: k-means, k-medoids, clustering jerárquico, mapas autoorganizados (SOM).
- Reducción de dimensionalidad: PCA, análisis factorial, SVD.
- Escalamiento multidimensional.
Minería de texto
- Preprocesamiento de texto y tokenización.
- Modelo de bolsa de palabras (bag-of-words), extracción de raíces y lematización.
- Análisis de sentimientos y frecuencia de palabras.
- Visualización de datos textuales con nubes de palabras (word clouds).
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 del mercado del carrito (market basket) y ratio de elevación (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 modelos y ajuste de parámetros.
- Evaluación y presentación de los resultados.
- Despliegue.
Resumen y próximos pasos
Requerimientos
- Conocimientos básicos de conceptos de aprendizaje automático, como el aprendizaje supervisado y no supervisado.
- Familiaridad con la programación en Python (variables, bucles, funciones).
- Tener algo de experiencia trabajando con datos mediante bibliotecas como pandas o NumPy es útil, pero no es obligatorio.
- No se requiere experiencia previa en modelización avanzada o redes neuronales.
Audiencia
- 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
