Temario del curso
Introducción al Aprendizaje Automático
- Tipos de aprendizaje automático: supervisado vs. 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.
- Selección del algoritmo adecuado para la tarea.
- Sobreajuste (overfitting) y el compromiso entre sesgo y varianza.
Resumen de Python y Bibliotecas de ML
- ¿Por qué usar lenguajes de programación para ML?
- Elegir entre R y Python.
- Intensivo de Python y Cuadernos Jupyter.
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn.
Pruebas y Evaluación de Algoritmos de ML
- Generalización, sobreajuste y validación de modelos.
- Estrategias de evaluación: partición holdout, 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 beneficios, curva ROC, curva de elevación (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.
- 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 frente a multiclase.
- Regresión logística y funciones discriminantes.
- Naive Bayes, k-vérandes más cercanos (k-NN).
- Árboles de decisión: CART, Bosques Aleatorios (Random Forests), Bagging, Boosting, XGBoost.
- Máquinas de Soporte Vectorial (SVM) y núcleos (kernels).
- Técnicas de aprendizaje en conjunto (ensemble learning).
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 spline.
Aprendizaje No Supervisado
- Técnicas de agrupamiento (clustering): k-means, k-medoids, clustering jerárquico, SOMs.
- Reducción de dimensionalidad: PCA, análisis factorial, SVD.
- Escalamiento multidimensional.
Minería de Texto
- Preprocesamiento de texto y tokenización.
- Bolsa de palabras (Bag-of-words), derivación (stemming) y lematización.
- Análisis de sentimiento 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 (items).
- Diseño y evaluación de motores de recomendación.
Minería de Patrones de Asociación
- Conjuntos de elementos frecuentes y algoritmo Apriori.
- Análisis de la cesta de la compra y relación de elevación (lift ratio).
Detección de Valores Atípicos
- Análisis de valores extremos.
- Métodos basados en distancia y densidad.
- Detección de valores atípicos en datos de alta dimensionalidad.
Caso de Estudio 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 (business intelligence).
- Se recomienda tener alguna exposición a 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 la 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
