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 (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
