Curso de Machine Learning y Deep Learning

Lección 1 • Representación y preprocesamiento de datos

Enseña cómo los datos crudos se transforman en características listas para el modelo. Habilita directamente el entrenamiento efectivo de modelos en capítulos posteriores.

Lección 2 • Kit de herramientas Python para ML

Presenta NumPy, Pandas y Matplotlib como la pila central para la manipulación y visualización de datos. Prepara a los estudiantes para la programación 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 subsiguiente 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 utilizado 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 de selección de modelos defendibles.

Lección 2 • Ajuste de hiperparámetros

Cubre estrategias de búsqueda sistemática para optimizar la configuración del modelo. Cierra la brecha entre un modelo funcional 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 del modelo posterior.

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 agrupamiento

Introduce métodos de agrupamiento particionales y jerárquicos para agrupar puntos de datos similares. Construye intuición para las métricas de distancia y la evaluación de la calidad del agrupamiento.

Lección 1 • Propagación hacia adelante y hacia atrás

Deriva las matemáticas del cálculo de la 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 la neurona biológica a la artificial

Mapea la estructura de la neurona biológica al modelo de perceptrón y las 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 de entrenamiento de CNN

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

Lección 2 • Arquitecturas CNN clásicas

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 en el 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 compuerta que permiten el aprendizaje de dependencias de largo alcance. Los estudiantes implementan y comparan LSTM y GRU en tareas de secuencia de referencia.

Lección 2 • Modelos secuencia-a-secuencia

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

Lección 3 • Pronóstico de series de tiempo con RNNs

Aplica modelos recurrentes a problemas de pronóstico univariado y multivariado. 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 de cero disparo, pocos disparos y cadena de pensamiento. Permite a los estudiantes extraer el máximo rendimiento de los LLMs sin reentrenar.

Lección 2 • Ajuste fino de modelos de lenguaje preentrenados

Aplica Hugging Face Transformers 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, prefix tuning y prompt tuning para adaptación de bajos recursos. Reduce los costos de cómputo y memoria manteniendo un rendimiento competitivo.

Lección 4 • Atención propia 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 arquitectura de secuencia dominante.

Lección 1 • Seguimiento de experimentos y reproducibilidad

Utiliza 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. Permite el reentrenamiento continuo y reduce la intervención manual en producción.

Lección 3 • Monitoreo y detección de deriva de datos

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

Lección 4 • Servicio de modelos y APIs

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