Temario del curso
Introducción al Aprendizaje Automático
- Tipos de aprendizaje automático: supervisado frente a no supervisado.
- Del aprendizaje estadístico al aprendizaje automático.
- El flujo de trabajo de minería de datos: comprensión del negocio, preparación de datos, modelización y despliegue.
- Selección del algoritmo adecuado para la tarea.
- Sobreajuste y el compromiso sesgo-varianza.
Panorama general de Python y bibliotecas de aprendizaje automático
- ¿Por qué utilizar lenguajes de programación para el aprendizaje automático?
- Elección entre R y Python.
- Curso intensivo de Python y cuadernos Jupyter (Jupyter Notebooks).
- Bibliotecas de Python: pandas, NumPy, scikit-learn, matplotlib, seaborn.
Pruebas y evaluación de algoritmos de aprendizaje automático
- Generalización, sobreajuste y validación del modelo.
- Estrategias de evaluación: prueba separada (holdout), validación cruzada y remuestreo mediante bootstrap.
- Métricas para regresión: error medio (ME), error cuadrático medio (MSE), raíz del error cuadrático medio (RMSE) y error porcentual absoluto medio (MAPE).
- Métricas para clasificación: precisión, matriz de confusión y clases desequilibradas.
- Visualización del rendimiento del modelo: curva de beneficios, curva ROC y curva de levantamiento (lift).
- Selección del modelo y búsqueda en cuadrícula (grid search) para el ajuste de parámetros.
Preparación de datos
- Importación y almacenamiento de datos en Python.
- Análisis exploratorio y estadísticas descriptivas.
- Manejo de valores perdidos y valores atípicos (outliers).
- Estandarización, normalización y transformación.
- Recodificación de datos cualitativos y limpieza de datos con pandas.
Algoritmos de clasificación
- Clasificación binaria frente a multiclase.
- Regresión logística y funciones discriminantes.
- Bayes ingenuo (Naïve Bayes) y k vecinos más cercanos (k-NN).
- Árboles de decisión: CART, Bosques aleatorios (Random Forests), Bagging, Boosting y XGBoost.
- Máquinas de vectores de soporte (SVM) y núcleos (kernels).
- Técnicas de aprendizaje de 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 spline.
Redes neuronales
- Introducción a las redes neuronales y al aprendizaje profundo.
- Funciones de activación, capas y retropropagación.
- Perceptrones multicapa (MLP).
- Uso de TensorFlow o PyTorch para la modelización básica con redes neuronales.
- Redes neuronales para clasificación y regresión.
Previsión de ventas y análisis predictivo
- Series temporales frente a previsión basada en regresión.
- Manejo de datos con patrones estacionales y tendenciales.
- Construcción de un modelo de previsión de ventas utilizando técnicas de aprendizaje automático.
- Evaluación de la precisión e incertidumbre de la previsión.
- Interpretación empresarial y comunicación de los resultados.
Aprendizaje no supervisado
- Técnicas de agrupamiento (clustering): k-means, k-medoids, clustering jerárquico y mapas autoorganizados (SOMs).
- Reducción de dimensionalidad: PCA, análisis factorial y SVD.
- Escalamiento multidimensional.
Minería de textos
- Preprocesamiento de texto y tokenización.
- Bolsa de palabras (Bag-of-words), lematización y eliminación de finales de palabra (stemming).
- Análisis de sentimientos y frecuencia de palabras.
- Visualización de datos textuales mediante nubes de palabras.
Sistemas de recomendación
- Filtrado colaborativo basado en usuarios y en elementos (items).
- Diseño y evaluación de motores de recomendación.
Minería de patrones de asociación
- Conjuntos frecuentes y algoritmo Apriori.
- Análisis de la cesta de la compra (market basket) y relación de levantamiento (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 aprendizaje automático
- Comprensión del problema empresarial.
- Preprocesamiento de datos e ingeniería de características.
- Selección del modelo y ajuste de parámetros.
- Evaluación y presentación de los hallazgos.
- Despliegue.
Resumen y próximos pasos
Requerimientos
- Conocimientos básicos de conceptos de aprendizaje automático, como el aprendizaje supervisado y no supervisado.
- Familiaridad con la programación en Python (variables, bucles, funciones).
- Es útil tener algo de experiencia trabajando con datos mediante bibliotecas como pandas o NumPy, pero no es obligatorio.
- No se espera experiencia previa en modelización avanzada o redes neuronales.
Público objetivo
- Científicos de datos.
- Analistas de negocio.
- Ingenieros de software y profesionales técnicos que trabajen 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
