Temario del curso
Introducción al Machine Learning
- Tipos de machine learning: supervisado vs. no supervisado.
- Del aprendizaje estadístico al machine learning.
- Flujo de trabajo de minería de datos: comprensión del negocio, preparación de datos, modelado e implementación.
- Selección del algoritmo adecuado para la tarea.
- Sobreajuste y el compromiso sesgo-varianza.
Descripción General de Python y Bibliotecas de ML
- Por qué utilizar lenguajes de programación para ML.
- Elegir entre R y Python.
- Curso intensivo de Python y cuadernos Jupyter.
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn.
Prueba y Evaluación de Algoritmos de ML
- Generalización, sobreajuste y validación del modelo.
- Estrategias de evaluación: holdout, validación cruzada, bootstrapping.
- Métricas para regresión: ME, MSE, RMSE, MAPE.
- Métricas para clasificación: precisión, matriz de confusión, clases desbalanceadas.
- Visualización del rendimiento del modelo: curva de ganancias, curva ROC, curva 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 de discriminación.
- Naive Bayes, k-vecinos más cercanos (k-NN).
- Árboles de decisión: CART, Random Forests, Bagging, Boosting, XGBoost.
- Máquinas de Vectores de Soporte (SVM) y núcleos.
- Técnicas de aprendizaje por conjuntos.
Regresión y Predicción Numérica
- Mínimos cuadrados y selección de variables.
- Métodos de regularización: L1, L2.
- Regresión polinomial 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 de redes neuronales.
- Redes neuronales para clasificación y regresión.
Pronóstico de Ventas y Análisis Predictivo
- Pronósticos basados en series temporales vs. 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 resultados.
Aprendizaje No Supervisado
- Técnicas de clustering: k-means, k-medoids, clustering jerárquico, mapas auto-organizados (SOMs).
- Reducción de dimensionalidad: PCA, análisis factorial, SVD.
- Escalamiento multidimensional.
Minería de Texto
- Preprocesamiento de texto y tokenización.
- Bolsa de palabras, lematización y stemming.
- Análisis de sentimientos y frecuencia de palabras.
- Visualización de datos de texto mediante nubes de palabras.
Sistemas de Recomendación
- Filtrado colaborativo basado en usuarios y basado en ítems.
- Diseño y evaluación de motores de recomendación.
Minería de Patrones de Asociación
- Conjuntos frecuentes y algoritmo Apriori.
- Análisis del mercado de cesta (market basket) y coeficiente lift.
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 Machine Learning
- Comprensión del problema empresarial.
- Preprocesamiento de datos e ingeniería de características.
- Selección de modelos y ajuste de parámetros.
- Evaluación y presentación de hallazgos.
- Implementación.
Resumen y Próximos Pasos
Requerimientos
- Conocimientos básicos de conceptos de machine learning, como aprendizaje supervisado y no supervisado.
- Familiaridad con la programación en Python (variables, bucles, funciones).
- Es útil tener alguna experiencia con el manejo de datos utilizando bibliotecas como pandas o NumPy, pero no es obligatorio.
- No se espera experiencia previa en modelado avanzado ni con redes neuronales.
Público Objetivo
- Científicos de datos.
- Analistas de negocios.
- Ingenieros de software y profesionales técnicos que trabajen 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
