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 empresariales
- Desafíos, riesgos y usos potenciales del ML en IA
- Sobreajuste (overfitting) y el compromiso sesgo-varianza
Técnicas de Aprendizaje Automático y Flujo de Trabajo
- El ciclo de vida del aprendizaje automático: desde el problema hasta la implementación
- Clasificación, regresión, clustering (agrupamiento), detección de anomalías
- Cuándo utilizar aprendizaje supervisado vs. 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
- Escalado de características: normalización y estandarización
- Reducción de dimensionalidad: PCA (Análisis de Componentes Principales) y selección de variables
- Análisis exploratorio de datos y visualización empresarial
Redes Neuronales y Aprendizaje Profundo
- Introducción a las redes neuronales y su uso en 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 previsión y reconocimiento de patrones
Previsión de Ventas y Análisis Predictivo
- Series temporales vs. previsión basada en regresión
- Descomposición de series temporales: tendencia, estacionalidad y ciclos
- Técnicas: regresión lineal, suavización exponencial, ARIMA
- Redes neuronales para previsión no lineal
- Estudio de caso: Previsión del volumen mensual de ventas
Estudios de Caso en Aplicaciones Empresariales
- Ingeniería avanzada de características para mejorar la predicción utilizando regresión lineal
- Análisis de segmentación mediante clustering (agrupamiento) y mapas auto-organizados
- Análisis del mercado de cestas y minería de reglas de asociación para insights minoristas
- Clasificación de impagos de clientes utilizando regresión logística, árboles de decisión, XGBoost y SVM
Resumen y Próximos Pasos
Requerimientos
- Comprensión básica 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
- Algún conocimiento previo de Python u otro lenguaje de programación es útil, pero no obligatorio
- Interés en aplicar el aprendizaje automático a problemas empresariales reales y de previsión
Público Objetivo
- Analistas de negocios
- Profesionales de IA
- Tomadores de decisiones basados en datos y gerentes
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
