Aprendizaje Automático y Analítica Predictiva con Python

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