Temario del curso
Introducción al Aprendizaje Automático
- Tipos de aprendizaje automático: supervisado vs. no supervisado.
- Del aprendizaje estadístico al aprendizaje automático.
- Flujo de trabajo de minería de datos: comprensión del negocio, preparación de datos, modelado e implementación.
- Elección del algoritmo adecuado para la tarea.
- Sobreajuste y el compromiso sesgo-varianza.
Panorama de Python y Bibliotecas de ML
- Por qué utilizar lenguajes de programación para ML.
- Elección entre R y Python.
- Introducción intensiva a Python y cuadernos de Jupyter.
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn.
Pruebas y Evaluación de Algoritmos de ML
- Generalización, sobreajuste y validación del modelo.
- Estrategias de evaluación: conjunto de prueba, validación cruzada y bootstrapping.
- Métricas para regresión: ME, MSE, RMSE, MAPE.
- Métricas para clasificación: precisión, matriz de confusión y clases desbalanceadas.
- Visualización del rendimiento del modelo: curva de beneficio, curva ROC y curva de ganancia (lift).
- Selección de modelos y búsqueda en cuadrícula para ajuste.
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, Random Forests, Bagging, Boosting y XGBoost.
- Máquinas de Vectores de Soporte (SVM) y núcleos.
- Técnicas de aprendizaje conjunto.
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 para clasificación y regresión.
Pronóstico de Ventas y Analítica Predictiva
- Pronóstico basado en series temporales vs. basado en regresión.
- Manejo de datos estacionales y basados en tendencias.
- Construcción de un modelo de pronóstico de ventas utilizando técnicas de ML.
- Evaluación de la precisión e incertidumbre del pronóstico.
- Interpretación empresarial y comunicación de los resultados.
Aprendizaje No Supervisado
- Técnicas de agrupamiento (clustering): k-means, k-medoids, clustering jerárquico y SOMs.
- Reducción de dimensionalidad: PCA, análisis factorial, SVD.
- Escalamiento multidimensional.
Minería de Texto
- Preprocesamiento de texto y tokenización.
- Bolsa de palabras, stemming y lematización.
- Análisis de sentimiento y frecuencia de palabras.
- Visualización de datos textuales mediante 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 frecuentes y algoritmo Apriori.
- Análisis del carrito de compras y relación de ganancia (lift ratio).
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 de modelos y ajuste de parámetros.
- Evaluación y presentación de hallazgos.
- Implementación (despliegue).
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 cierta experiencia con el manejo de datos utilizando bibliotecas como pandas o NumPy, aunque no es requisito.
- No se espera ninguna experiencia previa en modelado avanzado o redes neuronales.
Perfil del Participante
- 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
