Temario del curso
Introducción al Aprendizaje Automático
- Tipos de aprendizaje automático – supervisado vs. no supervisado
- Del aprendizaje estadístico al aprendizaje automático
- El flujo de trabajo de minería de datos: comprensión del negocio, preparación de datos, modelado, implementación
- Elegir el algoritmo adecuado para la tarea
- Sobreajuste y la compensación entre sesgo y varianza
Visión General de Python y Librerías de ML
- Por qué usar lenguajes de programación para ML
- Elegir entre R y Python
- Curso intensivo de Python y Cuadernos Jupyter
- Librerías de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn
Pruebas y Evaluación de Algoritmos de ML
- Generalización, sobreajuste y validación del modelo
- Estrategias de evaluación: partición simple (holdout), validación cruzada, bootstrapping
- Métricas para regresión: ME, MSE, RMSE, MAPE
- Métricas para clasificación: precisión, matriz de confusión, clases desequilibradas
- Visualización del rendimiento del modelo: curva de ganancias (profit curve), curva ROC, curva lift
- Selección de modelos y búsqueda en cuadrícula para 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 vs. multiclase
- Regresión logística y funciones discriminantes
- Bayes ingenuo, k vecinos más cercanos
- Árboles de decisión: CART, Bosques Aleatorios, Bagging, Boosting, XGBoost
- Máquinas de Vectores de Soporte y núcleos (kernels)
- Técnicas de aprendizaje en 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 spline (splines)
Redes Neuronales
- Introducción a redes neuronales y aprendizaje profundo
- Funciones de activación, capas y retropropagación (backpropagation)
- Perceptrones multicapa (MLP)
- Uso de TensorFlow o PyTorch para el modelado básico de redes neuronales
- Redes neuronales para clasificación y regresión
Predicción de Ventas y Análisis Predictivo
- Pronóstico basado en series temporales vs. regresión
- Manejo de datos estacionales y basados en tendencias
- Construcción de un modelo de predicción de ventas utilizando técnicas de ML
- Evaluación de la precisión e incertidumbre de las predicciones
- Interpretación empresarial y comunicación de los resultados
Aprendizaje No Supervisado
- Técnicas de agrupamiento: k-medias, k-medianas, clustering jerárquico, mapas auto-organizados (SOMs)
- Reducción de dimensionalidad: PCA, análisis factorial, SVD
- Escalamiento multidimensional
Minería de Texto
- Preprocesamiento y tokenización de texto
- Bolsa de palabras (bag-of-words), extracción de raíces (stemming) y lematización
- Análisis de sentimientos y frecuencia de palabras
- Visualización de datos textuales con nubes de palabras
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 de artículos frecuentes y algoritmo Apriori
- Análisis del carrito de compras y ratio lift (coeficiente de elevación)
Detección de Valores Atípicos
- Análisis de valores extremos
- Métodos basados en distancia y densidad
- Detección de valores atípicos en datos de alta dimensionalidad
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
- Implementación (Deployment)
Resumen y Próximos Pasos
Requerimientos
- Conocimientos básicos de conceptos de aprendizaje automático como aprendizaje supervisado y no supervisado
- Familiaridad con la programación en Python (variables, bucles, funciones)
- Es útil tener algo de experiencia trabajando con datos mediante librerías como pandas o NumPy, pero no es obligatorio
- No se espera experiencia previa con modelado avanzado o redes neuronales
Audiencia
- Científicos de datos
- Analistas de negocios
- 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
