Temario del curso
Introducción al aprendizaje automático en empresas
- El aprendizaje automático como componente fundamental de la inteligencia artificial
- Tipos de aprendizaje automático: supervisado, no supervisado, por refuerzo y semisupervisado
- Algoritmos comunes de ML utilizados en aplicaciones empresariales
- Desafíos, riesgos y posibles usos del ML en IA
- Sobreajuste (overfitting) y el compromiso entre sesgo y varianza
Técnicas de aprendizaje automático y flujo de trabajo
- El ciclo de vida del aprendizaje automático: del problema al despliegue
- Clasificación, regresión, agrupamiento y detección de anomalías
- Cuándo utilizar aprendizaje supervisado vs. no supervisado
- Comprensión del aprendizaje por refuerzo en la automatización empresarial
- Consideraciones en la toma de decisiones impulsada por ML
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 empresarial
Redes neuronales y aprendizaje profundo
- Introducción a las redes neuronales y su uso en empresas
- Estructura: capas de entrada, ocultas y de salida
- Retropropagación y funciones de activación
- Redes neuronales para clasificación y regresión
- Uso de redes neuronales en pronósticos y reconocimiento de patrones
Pronóstico de ventas y análisis predictivo
- Pronóstico basado en series temporales vs. regresión
- Descomposición de series temporales: tendencia, estacionalidad y ciclos
- Técnicas: regresión lineal, suavizamiento exponencial y ARIMA
- Redes neuronales para pronósticos no lineales
- Estudio de caso: Pronóstico del volumen de ventas mensual
Estudios de caso en aplicaciones empresariales
- Ingeniería avanzada de características para mejorar la predicción utilizando regresión lineal
- Análisis de segmentación mediante agrupamiento y mapas autoorganizativos
- Análisis de mercado (market basket) y minería de reglas de asociación para insights minoristas
- Clasificación de incumplimiento de pagos de clientes utilizando 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
- Algún conocimiento previo de Python u otro lenguaje de programación es útil pero no obligatorio
- Interés en aplicar el aprendizaje automático a problemas comerciales y de pronóstico del mundo real
Público objetivo
- Analistas de negocio
- 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
