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 despliegue
- Selección del algoritmo adecuado para la tarea
- Sobreajuste y el compromiso entre sesgo y varianza
Descripción general de Python y bibliotecas de ML
- Por qué utilizar lenguajes de programación para ML
- Selección entre R y Python
- Curso 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 del modelo
- Estrategias de evaluación: holdout, validación cruzada, bootstrapping
- Métricas para regresión: ME, MSE, RMSE, MAPE
- Métricas para clasificación: precisión, matriz de confusión, clases desbalanceadas
- Visualización del rendimiento del modelo: curva de beneficio, curva ROC, curva de elevación
- Selección de modelos y búsqueda en cuadrícula para ajuste
Preparación de datos
- Importación y almacenamiento de datos en Python
- Análisis exploratorio y estadísticas descriptivas
- Manejo de valores faltantes y puntos 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
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 splines
Redes neuronales
- Introducción a las redes neuronales y el aprendizaje profundo
- Funciones de activación, capas y retropropagación
- Perceptrones multicapa (MLP)
- Uso de TensorFlow o PyTorch para el modelado básico de redes neuronales
- Redes neuronales para clasificación y regresión
Pronóstico de ventas y análisis predictivo
- Predicción basada en series temporales versus predicción basada en regresión
- Manejo de datos con estacionalidad y tendencias
- Construcción de un modelo de pronóstico de ventas utilizando técnicas de ML
- Evaluación de la precisión e incertidumbre del pronóstico
- Interpretación y comunicación empresarial de los resultados
Aprendizaje no supervisado
- Técnicas de agrupamiento: k-medias, k-medoides, agrupamiento jerárquico, SOMs
- Reducción de dimensionalidad: PCA, análisis factorial, SVD
- Escalamiento multidimensional
Minería de texto
- Preprocesamiento de texto y tokenización
- Bolsa de palabras, lematización y derivación
- Análisis de sentimiento y frecuencia de palabras
- Visualización de datos de texto mediante nubes de palabras
Sistemas de recomendación
- Filtrado colaborativo basado en usuarios y basado en artículos
- Diseño y evaluación de motores de recomendación
Minería de patrones de asociación
- Conjuntos frecuentes y algoritmo Apriori
- Análisis de canasta de mercado y razón de elevación
Detección de valores atípicos
- Análisis de valores extremos
- Métodos basados en distancia y densidad
- Detección de puntos 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 modelos y ajuste de parámetros
- Evaluación y presentación de hallazgos
- Despliegue
Resumen y siguientes pasos
Requerimientos
- Conocimientos básicos de conceptos de aprendizaje automático como aprendizaje supervisado y no supervisado
- Familiaridad con la programación en Python (variables, bucles, funciones)
- Es útil contar con algo de experiencia en manejo de datos utilizando librerías como pandas o NumPy, aunque no es obligatorio
- No se requiere experiencia previa con modelado avanzado o redes neuronales
Público objetivo
- Científicos de datos
- Analistas de negocios
- Ingenieros de software y profesionales técnicos que trabajan con 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