Temario del curso
Introducción al aprendizaje automático
- Tipos de aprendizaje automático: supervisado versus no supervisado.
- Del aprendizaje estadístico al aprendizaje automático.
- El flujo de trabajo de minería de datos: comprensión del negocio, preparación de datos, modelado y despliegue.
- Elegir el algoritmo adecuado para la tarea.
- Sobreajuste y el compromiso sesgo-varianza.
Información general sobre Python y bibliotecas de aprendizaje automático
- Por qué utilizar lenguajes de programación en aprendizaje automático.
- Elegir entre R y Python.
- Introducción rápida a Python y cuadernos Jupyter.
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib y seaborn.
Pruebas y evaluación de algoritmos de aprendizaje automático
- Generalización, sobreajuste y validación del modelo.
- Estrategias de evaluación: prueba separada, validación cruzada y bootstrapping.
- Métricas para regresión: ME, MSE, RMSE y MAPE.
- Métricas para clasificación: precisión, matriz de confusión y clases desbalanceadas.
- Visualización del rendimiento del modelo: curva de beneficios, curva ROC y curva de elevación.
- Selección de modelos y búsqueda en cuadrícula para ajuste fino.
Preparación de datos
- Importación y almacenamiento de datos en Python.
- Análisis exploratorio y estadísticas descriptivas.
- Gestión 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 versus multiclase.
- Regresión logística y funciones de discriminación.
- Bayes ingenuo (Naive Bayes) y k vecinos más cercanos.
- Árboles de decisión: CART, Bosques aleatorios, Bagging, Boosting y XGBoost.
- Máquinas de vectores de soporte y núcleos.
- Técnicas de aprendizaje por conjunto (ensemble learning).
Regresión y predicción numérica
- Mínimos cuadrados y selección de variables.
- Métodos de regularización: L1 y L2.
- Regresión polinómica y modelos no lineales.
- Árboles de regresión y splines.
Aprendizaje no supervisado
- Técnicas de agrupamiento: k-medias, k-medoides, agrupamiento jerárquico y SOM (Mapas autoorganizados).
- Reducción de dimensionalidad: ACP (análisis de componentes principales), análisis factorial y SVD.
- Acondicionamiento multidimensional.
Minería de texto
- Preprocesamiento de texto y tokenización.
- Bolsa de palabras, lematización y obtención de la raíz (stemming).
- Análisis de sentimiento y frecuencia de palabras.
- Visualización de datos textuales con 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 canasta y relación de elevación.
Detección de valores atípicos
- Análisis de valores extremos.
- Métodos basados en distancia y densidad.
- Detección de valores atípicos en datos de alta dimensionalidad.
Caso práctico 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.
- Despliegue.
Resumen y próximos pasos
Requerimientos
- Comprensión básica de estadística y álgebra lineal.
- Familiaridad con conceptos de análisis de datos o inteligencia empresarial.
- Se recomienda tener alguna experiencia previa en programación (preferiblemente Python o R).
- Interés en aprender aprendizaje automático aplicado para proyectos basados en datos.
Público objetivo
- Analistas y científicos de datos.
- Estadísticos y profesionales de investigación.
- Desarrolladores y profesionales de TI que exploran herramientas de aprendizaje automático.
- Cualquier persona involucrada en proyectos de ciencia de datos o análisis predictivo.
Reseñas (3)
A pesar de tener que faltar un día debido a reuniones con clientes, siento que tengo una comprensión mucho más clara de los procesos y técnicas utilizados en el Aprendizaje Automático y cuándo usaría un enfoque en lugar de otro. Nuestro desafío ahora es practicar lo que hemos aprendido y comenzar a aplicarlo a nuestro dominio de problemas.
Richard Blewett - Rock Solid Knowledge Ltd
Curso - Machine Learning – Data science
Traducción Automática
Me gustó que la formación se centrara en ejemplos y codificación. Pensé que era imposible incluir tanto contenido en tres días de formación, pero me equivoqué. La formación cubrió muchos temas y todo se realizó de manera muy detallada (especialmente el ajuste de los parámetros del modelo, no esperaba que hubiera tiempo para esto y quedé muy sorprendido).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Curso - Machine Learning – Data science
Traducción Automática
Muestra muchos métodos con scripts prepreparados, materiales muy bien preparados y fáciles de rastrear.
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Curso - Machine Learning – Data science
Traducción Automática
