Duración: 24 clases (3 horas cada una)
Modalidad: Online, sincrónico
Dirigido a:

  • Profesionales interesados en aprender y aplicar técnicas de Machine Learning (ML) e Inteligencia Artificial (IA).
  • Estudiantes y desarrolladores que desean implementar modelos predictivos y soluciones basadas en IA.
  • Investigadores y científicos de datos en busca de fortalecer sus habilidades en Python y ML.

Requisitos previos:

  • Conocimientos básicos de Python (estructuras de control, funciones).
  • Comprensión básica de álgebra lineal y probabilidad (se revisarán conceptos esenciales durante el curso).

Objetivo del curso:
Al finalizar el curso, los participantes podrán:

  • Implementar modelos de Machine Learning y Deep Learning utilizando Python.
  • Diseñar pipelines de datos, preprocesar datos y optimizar modelos.
  • Aplicar técnicas avanzadas de IA en proyectos reales.
  • Desplegar modelos entrenados para su uso en aplicaciones reales.

Temario Detallado

Módulo 1: Introducción al Machine Learning

  1. Clase 1:Introducción a Machine Learning y Python
    • Definición y tipos de ML: supervisado, no supervisado, aprendizaje por refuerzo.
    • Instalación de herramientas: Jupyter, NumPy, Pandas, Matplotlib.
  2. Clase 2:Introducción a las librerías de ML en Python
    • Scikit-learn: estructura y principales funcionalidades.
    • Flujo de trabajo típico en ML.
  3. Clase 3:Análisis exploratorio de datos (EDA)
    • Técnicas de limpieza y preparación de datos.
    • Detección de valores atípicos y manejo de datos faltantes.
  4. Clase 4:Visualización de datos para ML
    • Uso de Matplotlib y Seaborn para análisis visual.
    • Histogramas, heatmaps y gráficos de dispersión.

Módulo 2: Modelos supervisados

  1. Clase 5:Regresión lineal y polinómica
    • Conceptos y casos de uso.
    • Implementación en Scikit-learn.
  2. Clase 6:Clasificación con regresión logística
    • Teoría y métricas de evaluación (ROC, AUC).
    • Implementación y visualización de resultados.
  3. Clase 7:Árboles de decisión y Random Forests
    • Conceptos clave y comparación de modelos.
    • Parámetros principales y ajuste del modelo.
  4. Clase 8:K-Nearest Neighbors (KNN)
    • Introducción y aplicaciones.
    • Implementación práctica.

Módulo 3: Modelos no supervisados y dimensionalidad

  1. Clase 9:Clustering con K-Means
    • Fundamentos de clustering y métricas de calidad.
    • Implementación en casos prácticos.
  2. Clase 10:Clustering jerárquico y DBSCAN
    • Comparación de técnicas y escenarios ideales de uso.
    • Implementación en datasets reales.
  3. Clase 11:Reducción de dimensionalidad con PCA
    • Fundamentos matemáticos y aplicaciones.
    • Visualización de datos reducidos.
  4. Clase 12:Análisis avanzado de datos con T-SNE y UMAP
    • Técnicas avanzadas de reducción de dimensionalidad.
    • Aplicaciones en datos complejos.

Módulo 4: Introducción al Deep Learning

  1. Clase 13:Introducción a Deep Learning y TensorFlow/Keras
    • Fundamentos de redes neuronales.
    • Instalación de TensorFlow y Keras.
  2. Clase 14:Redes neuronales artificiales (ANNs)
    • Arquitectura de redes neuronales.
    • Entrenamiento y validación con Keras.
  3. Clase 15:Redes convolucionales (CNNs)
    • Aplicaciones en imágenes.
    • Implementación de una red convolucional básica.
  4. Clase 16:Redes recurrentes (RNNs)
    • Introducción y casos de uso en series temporales y texto.
    • Implementación con LSTM y GRU.

Módulo 5: Temas avanzados y proyectos finales

  1. Clase 17:Aprendizaje por refuerzo (Reinforcement Learning)
    • Fundamentos y algoritmos principales.
    • Introducción a OpenAI Gym.
  2. Clase 18:Transfer Learning y Fine-tuning
    • Uso de modelos preentrenados para nuevas tareas.
    • Aplicaciones prácticas.
  3. Clase 19:Procesamiento de lenguaje natural (NLP)
    • Tokenización, embeddings y análisis de texto.
    • Introducción a Transformers con Hugging Face.
  4. Clase 20:Despliegue de modelos en producción
    • Exportación y uso de modelos.
    • Integración con Flask/Django para APIs.
  5. Clase 21:Proyecto final: Definición y planeación
    • Selección de problema real para abordar con ML/IA.
    • Organización del equipo y tareas.
  6. Clase 22:Proyecto final: Desarrollo
    • Implementación del pipeline completo: EDA, modelo, evaluación.
  7. Clase 23:Proyecto final: Presentación y feedback
    • Presentación de resultados.
    • Retroalimentación grupal.
  8. Clase 24:Revisión avanzada y próximos pasos
    • Discusión sobre técnicas emergentes en ML/IA.
    • Estrategias para seguir aprendiendo.
Nombre