Curso de Inteligencia Artificial y Machine Learning

Clase 1 • Tipos de aprendizaje automático

Abarca los paradigmas de aprendizaje supervisado, no supervisado y por refuerzo con ejemplos del mundo real. Conecta cada paradigma con los tipos de problemas que se abordan más adelante en el curso.

Clase 2 • Configuración de tu entorno de ML

Guía a los estudiantes en la instalación de Python, librerías clave y herramientas de notebooks. Asegura que cada estudiante tenga un entorno funcionando antes de comenzar los ejercicios prácticos.

Clase 3 • El flujo de trabajo de ML de extremo a extremo

Mapea el pipeline completo, desde los datos sin procesar hasta el modelo desplegado. Proporciona un modelo mental que los estudiantes van a repasar en cada capítulo siguiente.

Clase 4 • Qué significan realmente IA y ML

Aclara la distinción entre inteligencia artificial, aprendizaje automático y aprendizaje profundo. Establece el vocabulario preciso que se usa a lo largo del curso.

Clase 1 • División de datos y prevención de fugas

Explica las particiones de entrenamiento, validación y prueba, y el riesgo crítico de fuga de datos. Establece hábitos de evaluación rigurosos que se trasladan a todos los capítulos de modelado.

Clase 2 • Comprender las fuentes de datos

Releva fuentes de datos estructuradas, no estructuradas y semiestructuradas, y sus ventajas y desventajas. Sitúa a los estudiantes en panoramas de datos realistas antes de comenzar cualquier limpieza.

Clase 3 • Manejo de datos faltantes y ruidosos

Abarca estrategias de imputación, tratamiento de outliers y métodos de reducción de ruido. Prepara a los estudiantes para tomar decisiones defendibles cuando los datos están incompletos o corruptos.

Clase 4 • Ingeniería y transformación de features

Demuestra codificación, escalado y creación de nuevas features a partir de variables crudas. Muestra cómo las features diseñadas mejoran directamente la precisión del modelo en capítulos posteriores.

Clase 1 • Modelos de regresión basados en árboles

Introduce regresores de árbol de decisión, random forest y gradient boosting. Compara su precisión e interpretabilidad frente a modelos lineales sobre los mismos datasets.

Clase 2 • Métricas de evaluación de regresión

Introduce MAE, MSE, RMSE y R-cuadrado como medidas de rendimiento complementarias. Enseña a los estudiantes a seleccionar la métrica correcta según el contexto de negocio.

Clase 3 • Técnicas de regularización

Abarca la regularización Ridge, Lasso y Elastic Net para combatir el sobreajuste en regresión. Conecta la fuerza de regularización con el trade-off sesgo-varianza introducido conceptualmente antes.

Clase 4 • Regresión polinomial y no lineal

Extiende la regresión lineal para capturar relaciones curvilíneas mediante features polinomiales. Demuestra cuándo los modelos no lineales superan a las líneas de base lineales.

Clase 1 • Métricas de evaluación de clasificación

Abarca exactitud, precisión, exhaustividad, F1, ROC-AUC y matrices de confusión. Enseña la selección de métricas para clases desbalanceadas y costos de error asimétricos.

Clase 2 • Modelos de clasificación basados en árboles

Abarca árboles de decisión, random forests y gradient boosting para tareas de clasificación. Enfatiza los métodos de ensamble que superan consistentemente las líneas de base de un solo árbol.

Clase 3 • Clasificadores Naive Bayes y k-NN

Introduce clasificadores probabilísticos y basados en instancias como alternativas rápidas e interpretables. Destaca casos de uso donde estos modelos más simples superan a los complejos.

Clase 4 • Máquinas de Vectores de Soporte

Explica el hiperplano de margen máximo y el truco del kernel para fronteras no lineales. Posiciona a las SVM como clasificadores poderosos para problemas de alta dimensionalidad y muestras pequeñas.

Clase 1 • Análisis de Componentes Principales

Deriva PCA mediante la maximización de la varianza y explica los componentes principales geométricamente. Demuestra PCA como un paso de preprocesamiento que mejora el rendimiento del modelo posterior.

Clase 2 • Métodos de detección de anomalías

Abarca isolation forests, autoencoders y métodos estadísticos para detectar outliers. Aplica la detección de anomalías a escenarios de fraude, control de calidad y monitoreo de sistemas.

Clase 3 • Reducción de dimensionalidad no lineal

Introduce t-SNE y UMAP para visualizar datos de alta dimensionalidad en dos dimensiones. Contrasta sus fortalezas y limitaciones con el PCA lineal.

Clase 4 • Aprendizaje de reglas de asociación

Explica el algoritmo Apriori y las métricas clave: soporte, confianza y lift. Aplica el análisis de canasta de mercado a casos de uso de recomendación y venta cruzada.

Clase 1 • Redes recurrentes y modelos secuenciales

Introduce RNNs, LSTMs y GRUs para datos secuenciales y de series temporales. Prepara a los estudiantes para el capítulo de procesamiento de lenguaje natural que sigue.

Clase 2 • Perceptrones y redes feedforward

Construye una red neuronal desde un solo perceptrón hasta arquitecturas multicapa. Establece el grafo de cómputo del pase hacia adelante que se usa en todas las secciones posteriores de aprendizaje profundo.

Clase 3 • Backpropagation y optimización

Deriva la backpropagation usando la regla de la cadena y la conecta con variantes de descenso de gradiente. Capacita a los estudiantes para ajustar las tasas de aprendizaje y los optimizadores para una convergencia estable.

Clase 4 • Regularización en redes profundas

Abarca dropout, batch normalization y early stopping para prevenir el sobreajuste. Conecta estas técnicas con los conceptos de sesgo-varianza establecidos en capítulos anteriores.

Clase 1 • Arquitectura Transformer y BERT

Explica la autoatención, la codificación posicional y la estructura encoder-decoder. Demuestra el fine-tuning de BERT para tareas de clasificación y respuesta a preguntas.

Clase 2 • Incrustaciones de Palabras

Explica Word2Vec, GloVe y FastText como representaciones semánticas densas de palabras. Muestra cómo los embeddings preentrenados aceleran el entrenamiento de modelos de NLP posteriores.

Clase 3 • Preprocesamiento y representación de texto

Abarca tokenización, stemming, eliminación de stop words y codificación de bolsa de palabras. Establece el pipeline de texto a vector que requieren todos los modelos de NLP en este capítulo.

Clase 4 • Clasificación de texto y análisis de sentimiento

Construye clasificadores para etiquetado de temas y puntuación de sentimiento usando modelos clásicos y profundos. Aplica las métricas de evaluación del capítulo de clasificación a benchmarks específicos de texto.

Clase 1 • Escalabilidad y opciones de infraestructura

Compara opciones de despliegue en la nube, on-premise y en el edge para diferentes perfiles de latencia y costo. Guía a los estudiantes en la correspondencia entre infraestructura, tamaño del modelo y volumen de solicitudes.

Clase 2 • Pruebas A/B y gobernanza de modelos

Abarca despliegue en sombra, pruebas A/B y lanzamientos canary para despliegues seguros de modelos. Introduce prácticas de gobernanza para pistas de auditoría y procedimientos de rollback.

Clase 3 • Monitoreo de modelos y detección de deriva

Enseña la detección de deriva de datos, deriva de concepto y degradación de rendimiento en producción. Conecta las alertas de monitoreo con los pipelines de reentrenamiento introducidos en la sección anterior.

Clase 4 • Pipelines y orquestación de ML

Introduce frameworks de pipelines para automatizar los pasos de ingesta de datos, entrenamiento y despliegue. Asegura la reproducibilidad y reduce la intervención manual en flujos de trabajo de ML recurrentes.