Temario del curso
Introducción al aprendizaje automático
- Tipos de aprendizaje automático: supervisado frente a no supervisado
- Del aprendizaje estadístico al aprendizaje automático
- Flujo de trabajo de minería de datos: comprensión del negocio, preparación de datos, modelado y despliegue
- Selección del algoritmo adecuado para la tarea
- Sobreajuste (overfitting) y el compromiso entre sesgo y varianza
Descripción general de Python y bibliotecas para ML
- Por qué usar lenguajes de programación para el aprendizaje automático
- Elegir entre R y Python
- Curso intensivo de Python y Jupyter Notebooks
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn
Pruebas y evaluación de algoritmos de ML
- Generalización, sobreajuste y validación de modelos
- Estrategias de evaluación: holdout (conjunto de prueba), validación cruzada y bootstrap
- Métricas para regresión: ME, MSE, RMSE, MAPE
- Métricas para clasificación: precisión, matriz de confusión y clases desbalanceadas
- Visualización del rendimiento del modelo: curva de beneficios, curva ROC y curva de elevación (lift curve)
- Selección del modelo y búsqueda en cuadrícula para el ajuste de parámetros
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 frente a multiclase
- Regresión logística y funciones de discriminación
- Bayes ingenuo, k vecinos más cercanos (k-NN)
- Árboles de decisión: CART, Bosques aleatorios, Bagging, Boosting y XGBoost
- Máquinas de soporte vectorial (SVM) y núcleos (kernels)
- Técnicas de aprendizaje por conjunto (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
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 el modelado básico con redes neuronales
- Redes neuronales aplicadas a clasificación y regresión
Pronóstico de ventas y análisis predictivo
- Pronóstico basado en series temporales frente al basado en regresión
- Manejo de datos con patrones estacionales y de tendencia
- Construcción de un modelo de pronóstico de ventas utilizando técnicas de aprendizaje automático
- Evaluación de la precisión e incertidumbre del pronóstico
- Interpretación empresarial y comunicación de resultados
Aprendizaje no supervisado
- Técnicas de clustering: k-means, k-medoids, clustering jerárquico, SOMs (Mapas autoorganizativos)
- Reducción de dimensionalidad: PCA, análisis factorial, SVD
- Escalamiento multidimensional
Minería de texto
- Preprocesamiento de texto y tokenización
- Bag-of-words, stemming (eliminación de sufijos) y lematización
- Análisis de sentimientos y frecuencia de palabras
- Visualización de datos de texto mediante nubes de palabras
Sistemas de recomendación
- Filtrado colaborativo basado en usuarios y basado en ítems
- Diseño y evaluación de motores de recomendación
Minería de patrones de asociación
- Conjuntos de ítems frecuentes y algoritmo Apriori
- Análisis del carrito de compras y ratio de elevación (lift ratio)
Detección de valores atípicos
- Análisis de valores extremos
- Métodos basados en distancia y densidad
- Detección de valores atípicos en datos de alta dimensión
Estudio de caso de aprendizaje automático
- Comprensión del problema empresarial
- Preprocesamiento de datos e ingeniería de características
- Selección del modelo y ajuste de parámetros
- Evaluación y presentación de los hallazgos
- 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)
- Es útil, pero no obligatorio, tener experiencia previa manipulando datos con bibliotecas como pandas o NumPy
- No se requiere experiencia previa en modelado avanzado ni en redes neuronales
Público 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
