Machine Learning y Análisis Predictivo con Python

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