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 empresarial, preparación de datos, modelado y implementación.
- Elegir el algoritmo adecuado para la tarea.
- Sobreajuste y el intercambio sesgo-varianza.
Descripción general de Python y librerías de ML
- Por qué utilizar lenguajes de programación para ML.
- Elegir entre R y Python.
- Curso intensivo de Python y cuadernos Jupyter.
- Librerías de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn.
Pruebas y evaluación de algoritmos de ML
- Generalización, sobreajuste y validación del modelo.
- Estrategias de evaluación: validación separada, 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 levantamiento.
- Selección de modelo y búsqueda en cuadrícula para ajuste.
Preparación de datos
- Importación y almacenamiento de datos en Python.
- Análisis exploratorio y estadísticas resumidas.
- 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 versus multiclase.
- Regresión logística y funciones discriminantes.
- Bayes ingenuo, k-vecinos más cercanos.
- Árboles de decisión: CART, Random Forests, Bagging, Boosting, XGBoost.
- Máquinas de vectores de soporte y núcleos.
- Técnicas de aprendizaje conjunto (ensemble learning).
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).
- Utilizar 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 versus 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 del pronóstico y la incertidumbre.
- Interpretación empresarial y comunicación de los resultados.
Aprendizaje no supervisado
- Técnicas de agrupamiento: k-medias, k-medoides, agrupamiento jerárquico, SOMs (Mapas Auto-organizados).
- Reducción de dimensionalidad: PCA, análisis factorial, SVD.
- Escalamiento multidimensional.
Minería de texto
- Preprocesamiento y tokenización de texto.
- Bolsa de palabras, lematización y stemming (troncación).
- Análisis de sentimientos y frecuencia de palabras.
- Visualización de datos de texto con 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 de artículos y algoritmo Apriori.
- Análisis del mercado de cestas y ratio de levantamiento (lift ratio).
Detección de valores atípicos
- Análisis de valores extremos.
- Métodos basados en distancia y densidad.
- Detección de valores atípicos en datos de alta dimensión.
Estudio de caso de Aprendizaje Automático
- Comprensión del problema empresarial.
- Preprocesamiento de datos e ingeniería de características.
- Selección de modelo y ajuste de parámetros.
- Evaluación y presentación de hallazgos.
- Implementación (deployment).
Resumen y próximos pasos
Requerimientos
- Conocimientos básicos de conceptos de aprendizaje automático, como aprendizaje supervisado y no supervisado.
- Familiaridad con la programación en Python (variables, bucles, funciones).
- Algo de experiencia con el manejo de datos utilizando librerías como pandas o NumPy es útil, pero no necesario.
- No se espera experiencia previa en modelado avanzado o redes neuronales.
Público objetivo
- Científicos de datos.
- Analistas de negocios.
- Ingenieros de software y profesionales técnicos que trabajan 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
