Curso de Machine Learning y Deep Learning

Lección 1 • Representación y Preprocesamiento de Datos

Enseña cómo transformar datos crudos en características listas para el modelo. Habilita directamente un entrenamiento de modelos efectivo en capítulos posteriores.

Lección 2 • Kit de Herramientas Python para ML

Presenta NumPy, Pandas y Matplotlib como el stack central de manipulación y visualización de datos. Prepara a los estudiantes para la codificación práctica en todos los capítulos siguientes.

Lección 3 • Qué es el Aprendizaje Automático

Define ML, su relación con la IA y la estadística, y los tipos de aprendizaje. Ancla todo el contenido técnico posterior en un mapa conceptual unificado.

Lección 4 • Matemáticas Esenciales para ML

Cubre álgebra lineal, cálculo, probabilidad y estadística necesarios para los algoritmos de ML. Proporciona el lenguaje cuantitativo usado a lo largo del curso.

Lección 1 • Evaluación y Selección de Modelos

Proporciona técnicas rigurosas para medir y comparar el rendimiento de los modelos. Asegura que los estudiantes puedan tomar decisiones defendibles de selección de modelos.

Lección 2 • Ajuste de Hiperparámetros

Cubre estrategias de búsqueda sistemática para optimizar la configuración del modelo. Cierra la brecha entre un modelo que funciona y uno listo para producción.

Lección 3 • Árboles de Decisión y Métodos de Ensamble

Explica los criterios de partición basados en árboles y los extiende a modelos de ensamble potentes. Los estudiantes obtienen herramientas para el modelado de datos tabulares de alta precisión.

Lección 4 • Regresión Lineal y Logística

Cubre la regresión por mínimos cuadrados ordinarios y la regresión logística para clasificación binaria. Establece el paradigma de minimización de pérdida central en todos los modelos de ML.

Lección 1 • Reducción de Dimensionalidad

Enseña PCA, t-SNE y UMAP para comprimir datos de alta dimensionalidad. Permite la visualización y mejora el rendimiento posterior del modelo.

Lección 2 • Métodos de Detección de Anomalías

Cubre enfoques estadísticos y basados en modelos para identificar valores atípicos. Directamente aplicable a detección de fraude, control de calidad y sistemas de monitoreo.

Lección 3 • Algoritmos de Clustering

Introduce métodos de clustering particional y jerárquico para agrupar puntos de datos similares. Construye intuición sobre métricas de distancia y evaluación de calidad de clusters.

Lección 1 • Propagación hacia Adelante y hacia Atrás

Deriva las matemáticas del cálculo de pasada hacia adelante y la retropropagación de gradientes. Los estudiantes pueden trazar manualmente el flujo de datos y las actualizaciones de gradiente a través de una red.

Lección 2 • De Neuronas Biológicas a Artificiales

Mapea la estructura de la neurona biológica al modelo de perceptrón y redes multicapa. Fundamenta la arquitectura de aprendizaje profundo en una base conceptual intuitiva.

Lección 3 • Algoritmos de Optimización

Compara variantes de descenso de gradiente y optimizadores adaptativos para la estabilidad del entrenamiento. Impacta directamente la velocidad de convergencia y la precisión final del modelo.

Lección 4 • Regularización en Redes Neuronales

Enseña dropout, normalización por lotes y decaimiento de pesos para combatir el sobreajuste. Prepara a los estudiantes para construir redes que generalicen a datos no vistos.

Lección 1 • Mejores Prácticas para Entrenar CNNs

Cubre pipelines de aumento de datos, entrenamiento con precisión mixta y estrategias de depuración. Asegura que los estudiantes puedan entrenar CNNs de manera eficiente en conjuntos de datos reales.

Lección 2 • Arquitecturas Clásicas de CNNs

Revisa los principios de diseño de LeNet, AlexNet, VGG, ResNet y EfficientNet. Enseña la evolución arquitectónica y el razonamiento detrás de cada decisión de diseño.

Lección 3 • Detección de Objetos y Segmentación

Extiende las CNNs de clasificación a tareas de localización y etiquetado a nivel de píxel. Cubre YOLO, Faster R-CNN y U-Net para aplicaciones de visión del mundo real.

Lección 4 • Operaciones de Convolución y Pooling

Explica la operación de convolución, el aprendizaje de filtros y el submuestreo espacial. Establece las primitivas computacionales centrales de todas las arquitecturas CNN.

Lección 1 • Arquitecturas LSTM y GRU

Detalla los mecanismos de compuertas que permiten el aprendizaje de dependencias de largo alcance. Los estudiantes implementan y comparan LSTM y GRU en tareas de secuencias de referencia.

Lección 2 • Modelos Secuencia a Secuencia

Cubre arquitecturas codificador-decodificador para mapeo de secuencias de entrada y salida de longitud variable. Directamente aplicable a traducción automática, resumen y chatbots.

Lección 3 • Pronóstico de Series Temporales con RNNs

Aplica modelos recurrentes a problemas de pronóstico univariados y multivariados. Conecta la teoría de modelado de secuencias con casos de uso de pronóstico empresarial y científico.

Lección 1 • Ingeniería de Prompts y Aprendizaje en Contexto

Enseña estrategias de prompting zero-shot, few-shot y cadena de pensamiento. Permite a los estudiantes extraer el máximo rendimiento de los LLMs sin reentrenamiento.

Lección 2 • Ajuste Fino de Modelos de Lenguaje Preentrenados

Aplica Transformers de Hugging Face a tareas de clasificación, NER y QA. Brinda a los estudiantes un flujo de trabajo práctico para adaptar LLMs a problemas de dominio específico.

Lección 3 • Ajuste Fino Eficiente en Parámetros

Cubre LoRA, ajuste de prefijos y ajuste de prompts para adaptación de bajos recursos. Reduce los costos de cómputo y memoria manteniendo rendimiento competitivo.

Lección 4 • Autoatención y el Transformer

Deriva la atención de producto punto escalado y la atención multi-cabeza desde los primeros principios. Explica por qué los Transformers reemplazaron a las RNNs como la arquitectura de secuencias dominante.

Lección 1 • Seguimiento de Experimentos y Reproducibilidad

Usa MLflow y Weights & Biases para registrar experimentos y gestionar artefactos. Establece la disciplina necesaria para la investigación de ML colaborativa y reproducible.

Lección 2 • Pipelines de ML y Orquestación de Flujos de Trabajo

Construye pipelines de entrenamiento automatizados usando herramientas como Airflow y Kubeflow. Habilita el reentrenamiento continuo y reduce la intervención manual en producción.

Lección 3 • Monitoreo y Detección de Deriva de Datos

Implementa pruebas estadísticas y dashboards para detectar deriva de modelo y datos. Asegura el rendimiento sostenido del modelo después del despliegue en entornos cambiantes.

Lección 4 • Serving de Modelos y APIs

Despliega modelos como REST APIs usando FastAPI y microservicios contenerizados. Conecta modelos entrenados con aplicaciones del mundo real y usuarios finales.