Curso de IA y Machine Learning

Lección 1 • Tipos de aprendizaje automático

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

Lección 2 • Configuración de su entorno de AA

Guía a los estudiantes en la instalación de Python, bibliotecas clave y herramientas de cuadernos. Garantiza que cada estudiante tenga un entorno funcional antes de los ejercicios prácticos.

Lección 3 • El flujo de trabajo de AA de extremo a extremo

Traza el pipeline completo desde los datos brutos hasta el modelo desplegado. Proporciona un modelo mental que los estudiantes repasarán en cada capítulo posterior.

Lección 4 • Qué significan realmente IA y AA

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

Lección 1 • División de datos y prevención de fugas

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

Lección 2 • Comprender las fuentes de datos

Examina fuentes de datos estructurados, no estructurados y semiestructurados y sus ventajas y desventajas. Sitúa a los estudiantes en panoramas de datos realistas antes de comenzar cualquier limpieza.

Lección 3 • Manejo de datos faltantes y ruidosos

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

Lección 4 • Ingeniería y transformación de características

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

Lección 1 • Modelos de regresión basados en árboles

Presenta los regresores de árbol de decisión, bosque aleatorio y potenciación del gradiente. Compara su precisión e interpretabilidad con modelos lineales en los mismos conjuntos de datos.

Lección 2 • Métricas de evaluación de regresión

Presenta 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.

Lección 3 • Técnicas de regularización

Cubre la regularización Ridge, Lasso y Elastic Net para combatir el sobreajuste en regresión. Conecta la fuerza de la regularización con el equilibrio sesgo-varianza presentado conceptualmente antes.

Lección 4 • Regresión polinómica y no lineal

Extiende la regresión lineal para capturar relaciones curvas a través de características polinómicas. Demuestra cuándo los modelos no lineales superan las líneas base lineales.

Lección 1 • Métricas de evaluación de clasificación

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

Lección 2 • Modelos de clasificación basados en árboles

Cubre árboles de decisión, bosques aleatorios y potenciación del gradiente para tareas de clasificación. Enfatiza los métodos de ensamble que consistentemente superan las líneas base de un solo árbol.

Lección 3 • Clasificadores Naive Bayes y k-NN

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

Lección 4 • Máquinas de vectores de soporte

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

Lección 1 • Análisis de componentes principales

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

Lección 2 • Métodos de detección de anomalías

Cubre bosques de aislamiento, autocodificadores y métodos estadísticos para detectar valores atípicos. Aplica la detección de anomalías a escenarios de fraude, control de calidad y monitoreo de sistemas.

Lección 3 • Reducción de dimensionalidad no lineal

Presenta t-SNE y UMAP para visualizar datos de alta dimensionalidad en dos dimensiones. Contrasta sus fortalezas y limitaciones frente al PCA lineal.

Lección 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.

Lección 1 • Redes recurrentes y modelos de secuencia

Presenta RNN, LSTM y GRU para datos secuenciales y de series temporales. Prepara a los estudiantes para el capítulo de procesamiento de lenguaje natural que sigue.

Lección 2 • Perceptrones y redes prealimentadas

Construye una red neuronal desde un solo perceptrón hasta arquitecturas multicapa. Establece el grafo de cómputo de propagación hacia adelante utilizado en todas las secciones posteriores de aprendizaje profundo.

Lección 3 • Retropropagación y optimización

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

Lección 4 • Regularización en redes profundas

Cubre dropout, normalización por lote y parada temprana para prevenir el sobreajuste. Conecta estas técnicas con los conceptos de sesgo-varianza establecidos en capítulos anteriores.

Lección 1 • Arquitectura Transformer y BERT

Explica la autoatención, la codificación posicional y la estructura codificador-decodificador. Demuestra el ajuste fino de BERT para tareas de clasificación y respuesta a preguntas.

Lección 2 • Incrustaciones de palabras

Explica Word2Vec, GloVe y FastText como representaciones semánticas densas de palabras. Muestra cómo las incrustaciones preentrenadas aceleran el entrenamiento de modelos de PLN posteriores.

Lección 3 • Preprocesamiento y representación de texto

Cubre tokenización, lematización, eliminación de palabras vacías y codificación de bolsa de palabras. Establece el pipeline de texto a vector requerido por todos los modelos de PLN en este capítulo.

Lección 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 puntos de referencia específicos de texto.

Lección 1 • Escalabilidad y opciones de infraestructura

Compara opciones de despliegue en la nube, local y en el borde para diferentes perfiles de latencia y costo. Orienta a los estudiantes en la correspondencia de la infraestructura con el tamaño del modelo y el volumen de solicitudes.

Lección 2 • Pruebas A/B y gobernanza de modelos

Cubre despliegue en sombra, pruebas A/B y lanzamientos canary para despliegues seguros de modelos. Presenta prácticas de gobernanza para pistas de auditoría y procedimientos de reversión.

Lección 3 • Monitoreo de modelos y detección de deriva

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

Lección 4 • Pipelines y orquestación de AA

Presenta frameworks de pipelines para automatizar los pasos de ingesta de datos, entrenamiento y despliegue. Garantiza la reproducibilidad y reduce la intervención manual en flujos de trabajo de AA recurrentes.