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 semisupervisado.
- Algoritmos comunes de ML utilizados en aplicaciones comerciales.
- Desafíos, riesgos y usos potenciales del ML en la IA.
- Sobreajuste (overfitting) y el intercambio entre sesgo y varianza.
Técnicas y Flujo de Trabajo del Aprendizaje Automático
- El ciclo de vida del Aprendizaje Automático: desde el problema hasta el despliegue.
- Clasificación, regresión, agrupamiento (clustering) 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 ML.
Preprocesamiento de Datos e Ingeniería de Características
- Preparación de datos: carga, limpieza y transformación.
- Ingeniería de características: codificación, transformación y creación.
- Escalamiento 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 los 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 pronósticos y reconocimiento de patrones.
Pronóstico de Ventas y Análisis Predictivo
- Pronósticos basados en series temporales versus regresión.
- Descomposición de series temporales: tendencia, estacionalidad y ciclos.
- Técnicas: regresión lineal, suavizado exponencial y ARIMA.
- Redes neuronales para pronósticos no lineales.
- Caso de estudio: Pronóstico del volumen mensual de ventas.
Casos de Estudio en Aplicaciones Empresariales
- Ingeniería avanzada de características para mejorar la predicción utilizando regresión lineal.
- Análisis de segmentación utilizando agrupamiento (clustering) y mapas auto-organizados.
- Análisis del carrito de compras y minería de reglas de asociación para obtener información sobre el minorista.
- Clasificación de morosidad de clientes utilizando regresión logística, árboles de decisión, XGBoost y SVM.
Resumen y Próximos Pasos
Requerimientos
- Conocimientos básicos 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.
- Es útil tener alguna exposición a Python u otro lenguaje de programación, aunque no es obligatorio.
- Interés por aplicar el aprendizaje automático a problemas empresariales reales y de pronósticos.
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
