Programa de Machine Learning – Transforma Datos en Soluciones Inteligentes

Módulo 1: Fundamentos de Machine Learning

• Introducción a Machine Learning
  – Definiciones y tipos de aprendizaje
  – Aplicaciones y casos de uso en el mundo real
• Conceptos clave
  – Regresión y clasificación
  – Métricas de evaluación
  – Cluster
• Fundamentos de Probabilidad
  – Probabilidad
  – Probabilidad condicional
  – Variables aleatorias
  – Distribución normal
• Herramientas esenciales
  – Configuración del entorno de trabajo en Python
  – Uso de Jupyter Notebooks
  – NumPy y Pandas

Módulo 2: Modelos Lineales de Regresión

• Regresión Lineal
  – Implementación detallada con Scikit-Learn
  – Interpretación de coeficientes
  – Métricas de rendimiento
  – Validación de supuestos
• Regresión Logística
  – Implementación detallada con Scikit-Learn
  – Métricas de rendimiento
• Regularización y Ajuste de hiperparámetros
  – Introducción a L1 (Lasso), L2 (Ridge) y ElasticNet
  – Overfitting y underfitting
  – Evaluación en otras muestras
  – Grid Search y validación cruzada
  – Ajuste de hiperparámetros
• Datos desbalanceados
  – Tratamiento de conjuntos de datos desbalanceados
• Casos prácticos
  – Predicción de precios de viviendas utilizando regresión lineal
  – Predicción de casos de diabetes utilizando regresión logística

Módulo 3: Máquinas de Soporte Vectorial (SVM)

• Fundamentos de SVM
  – Implementación detallada con Scikit-Learn
  – Margen y vectores de soporte
  – Funciones kernel y su aplicación
• Caso práctico
  – Predicción de volumen de ventas de artículos con SVM

Módulo 4: Árboles de Decisión y Modelos ensamblados

• Árboles de Decisión
  – Construcción y visualización
  – Manejo de la complejidad
• Modelos ensamblados
  – Ensamblado de varios modelos
• Modelos basados en árboles
  – Random Forest
• Caso práctico
  – Recomendación de productos infantiles

Módulo 5: Redes Neuronales y Deep Learning

• Redes Neuronales Artificiales (ANN)
  – Arquitectura de una red neuronal básica
  – Funciones de activación y capas ocultas
• Arquitecturas Populares
  – Redes Perceptrón Multicapa (MLP), Redes Convolucionales (CNN)
• Bibliotecas de Deep Learning
  – TensorFlow, Keras y PyTorch: instalación y primeros pasos
• Caso práctico
  – Clasificación de imágenes utilizando una red neuronal convolucional

Módulo 6: Proyecto Final: Deserción (Churn) de clientes

• Selección del conjunto de datos
• Análisis exploratorio de datos (EDA)
• Selección e ingeniería de características
• Construcción del modelo
• Entrenamiento y evaluación del modelo
• Interpretación de resultados
• Creación de interfaz de usuario y puesta en producción
• Presentación del proyecto