Temario del curso
Introducción al Aprendizaje Automático en Negocios
- El aprendizaje automático como componente fundamental de la Inteligencia Artificial
- Tipos de aprendizaje automático: supervisado, no supervisado, por refuerzo y semisupervisado
- Algoritmos comunes de ML utilizados en aplicaciones empresariales
- Desafíos, riesgos y usos potenciales del ML en IA
- Sobreajuste (overfitting) y el equilibrio entre sesgo y varianza
Técnicas de Aprendizaje Automático y Flujo de Trabajo
- El ciclo de vida del aprendizaje automático: desde el problema hasta la implementación
- Clasificación, regresión, agrupamiento (clustering) y detección de anomalías
- Cuándo utilizar aprendizaje supervisado frente a no supervisado
- Comprensión del aprendizaje por refuerzo en la automatización empresarial
- Consideraciones en la toma de decisiones basada en ML
Preprocesamiento de Datos e Ingeniería de Características
- Preparación de datos: carga, limpieza y transformación
- Ingeniería de características: codificación, transformación y creación
- Escalado de características: normalización y estandarización
- Reducción de dimensionalidad: PCA, selección de variables
- Análisis exploratorio de datos y visualización empresarial
Redes Neuronales y Aprendizaje Profundo
- Introducción a las redes neuronales y su uso en negocios
- Estructura: capas de entrada, ocultas y de salida
- Propagación hacia atrás (backpropagation) y funciones de activación
- Redes neuronales para clasificación y regresión
- Uso de redes neuronales en pronósticos y reconocimiento de patrones
Pronóstico de Ventas y Análisis Predictivo
- Pronósticos basados en series temporales versus regresión
- Descomposición de series temporales: tendencia, estacionalidad y ciclos
- Técnicas: regresión lineal, suavización exponencial, ARIMA
- Redes neuronales para pronósticos no lineales
- Estudio de caso: Pronóstico del volumen de ventas mensual
Estudios de Caso en Aplicaciones Empresariales
- Ingeniería avanzada de características para mejorar las predicciones mediante regresión lineal
- Análisis de segmentación utilizando agrupamiento (clustering) y mapas autoorganizativos
- Análisis del carrito de la compra y minería de reglas de asociación para obtener insights minoristas
- Clasificación de impagos de clientes mediante regresión logística, árboles de decisión, XGBoost y SVM
Resumen y Próximos Pasos
Requerimientos
- Conocimientos básicos sobre los principios del aprendizaje automático y sus aplicaciones
- Familiaridad con el trabajo en entornos de hojas de cálculo o herramientas de análisis de datos
- Es útil tener cierta exposición a Python u otro lenguaje de programación, aunque no es obligatorio
- Interés por aplicar el aprendizaje automático a problemas empresariales reales y de pronóstico
Público Objetivo
- Analistas de negocios
- Profesionales de IA
- Tomadores de decisiones y gerentes basados en datos
Reseñas (2)
Fomentar la repetición en la construcción de indicaciones (prompts) entre quienes nunca han utilizado la IA, y animar a los usuarios experimentados a considerar métodos alternativos para su uso.
Matthew Gay - Tarsus Pharmaceuticals
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
