Temario del curso
Introducción al aprendizaje automático
- Tipos de aprendizaje automático: supervisado frente a no supervisado
- De la estadística tradicional al aprendizaje automático
- Flujo de trabajo en minería de datos: comprensión del negocio, preparación de los datos, modelado y despliegue
- Cómo elegir el algoritmo más adecuado para cada tarea
- El sobreajuste (overfitting) y el equilibrio entre sesgo y varianza
Descripción general de Python y sus librerías para ML
- Razones para emplear lenguajes de programación en proyectos de aprendizaje automático
- Elección entre R y Python como herramientas principales
- Curso acelerado sobre Python y cuadernos Jupyter
- Las librerías más relevantes: pandas, NumPy, scikit-learn, matplotlib y seaborn
Pruebas y evaluación de algoritmos de aprendizaje automático
- Generalización, sobreajuste y validación de modelos
- Estrategias de evaluación: método holdout, validación cruzada, bootstraping
- Métricas para problemas de regresión: error medio, MSE, RMSE y MAPE
- Métricas aplicables a la clasificación: precisión general, matriz de confusión y manejo de clases desequilibradas
- Visualización del rendimiento de los modelos: curva de beneficios, curva ROC y curva lift
- Selección óptima de modelos y optimización mediante búsqueda en cuadrícula (grid search)
Preparación de los datos para el aprendizaje automático
- Importación y almacenamiento de datos en Python
- Análisis exploratorio y obtención de estadísticas resumen
- Tratamiento de valores faltantes y detección de anomalías extremas
- Estandarización, normalización y transformación de variables<\/li>
- Codificación de datos cualitativos y limpieza mediante pandas
Algoritmos de clasificación
- Diferencias entre la clasificación binaria y multiclase
- Regresión logística y funciones discriminantes como bases teóricas
- Métodos bayesianos y el algoritmo de los k vecinos más cercanos
- Árboles de decisión: CART, Bosques aleatorios, Bagging, Boosting e incluso XGBoost
- Conjunto de máquinas de soporte vectorial y tipos específicos de kernels
- Técnicas de aprendizaje por ensamblado o “ensemble” para aumentar la precisión
Regresión y predicción numérica
- Métodos de mínimos cuadrados y selección de variables predictivas
- Técnicas regularizadoras como L1 y L2 para evitar sobreajuste
- Regresión polinómica e implementación de modelos no lineales<\/li>
- Uso de árboles de regresión y spline como alternativas flexibles
Aprendizaje automático sin supervisión
- Métodos para el agrupamiento: k-means, k-medoids, clústeres jerárquicos o mapas autoorganizados
- Técnicas de reducción de dimensionalidad como PCA, análisis factorial y SVD
- Escalamiento multidimensional como herramienta de visualización
Minería de texto
- Preprocesamiento y segmentación textual en tokens individuales
- Técnicas como stemming y lematización para simplificar el análisis lingüístico
- Evaluación de tendencias afectivas (sentiment analysis) y frecuencia de palabras clave
- Visualización gráfica del contenido textual mediante nubes de palabras
Sistemas recomendadores
- Diseño y funcionamiento básico de filtrado colaborativo basado en usuarios o productos
- Mecanismos para evaluar la efectividad y mejora continua de motores de recomendación
Detección de patrones asociativos
- Identificación de conjuntos frecuentes mediante el algoritmo Apriori
- Aplicaciones prácticas como análisis de cestas de compra y medición del ratio lift
Detección de valores atípicos o anomalías
- Métodos para determinar magnitudes extremas en datos cualesquiera
- Aproximaciones basadas en distancias o densidad espacial como criterios iniciales
- Estrategias específicas para gestionar conjuntos de datos con alta dimensionalidad
Caso práctico de aplicación del aprendizaje automático
- Diagnóstico y descripción detallada del problema empresarial subyacente
- Etapa de preparación detallada, incluyendo creación y selección de características relevantes
- Evaluación iterativa para ajustar tipos y parámetros de modelado adecuados
- Análisis cualitativo de resultados junto con presentación ordenada ante el equipo directivo
- Implementación real del modelo finalizado en entornos operativos
Resumen final y orientaciones para futuros avances profesionales
Requerimientos
- Conocimientos básicos de estadística y álgebra lineal
- Experiencia previa en análisis de datos o conceptos relacionados con inteligencia empresarial
- Se recomienda tener cierta experiencia en programación, preferentemente en Python o R
- Interés genuino por aplicar el aprendizaje automático a proyectos basados en datos
Público objetivo
- Analistas de datos y científicos especializados en datos
- Estadísticos y profesionales del ámbito investigativo
- Desarrolladores e ingenieros informáticos interesados en herramientas de aprendizaje automático
- Cualquier persona que participe en proyectos de ciencia de datos o análisis predictivo
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 4350 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
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
