DiplomadoInteligencia artificial y datos
Aprendizaje automático con Python
El diplomado Aprendizaje automático con Python proporciona al estudiante el flujo completo del aprendizaje automático: fundamentos matemáticos, preparación de datos, modelos supervisados y no supervisados, evaluación, ajuste de hiperparámetros, explicabilidad y despliegue con FastAPI y Docker. Le permite construir modelos predictivos confiables en proyectos reales.
A quién va dirigido
Estudiantes y profesionales con programación básica en Python y conocimientos de álgebra y estadística de nivel universitario inicial.
Objetivos
✓Comprender los fundamentos matemáticos del aprendizaje automático, el equilibrio entre sesgo y varianza y el planteamiento de un problema.
✓Analizar el desempeño de modelos con MAE, RMSE, R², precisión, exhaustividad, F1 y ROC, considerando clases desbalanceadas.
✓Aplicar regresión, clasificación, agrupamiento y reducción de dimensionalidad con scikit-learn, XGBoost y pipelines sin fuga de información.
✓Diseñar experimentos con GridSearchCV, Optuna y MLflow y desplegar el modelo como API con FastAPI en un contenedor Docker.
✓Evaluar la confiabilidad y la explicabilidad de un modelo con SHAP antes de ponerlo al servicio de usuarios.
Plan de estudios por sesión
1
Fundamentos matemáticos y herramientasVectores, matrices y derivadas para aprendizaje automático · NumPy, pandas y Jupyter
2
Sesgo, varianza y planteamiento del problemaSesgo y varianza · Planteamiento de un problema de aprendizaje
3
Regresión y regularizaciónRegresión lineal y descenso del gradiente · Regularización Ridge y Lasso
4
Métricas de regresión e ingeniería de característicasMétricas MAE, RMSE y R² · Ingeniería de características
5
Modelos de clasificaciónRegresión logística y k vecinos · Árboles, bosques aleatorios y XGBoost
6
Evaluación de clasificadores y desbalancePrecisión, exhaustividad, F1 y ROC · Clases desbalanceadas
7
Agrupamiento de datosk-means y agrupamiento jerárquico · DBSCAN
8
Reducción de dimensionalidad y anomalíasReducción de dimensionalidad con PCA · Detección de anomalías
9
Pipelines y ajuste de hiperparámetrosPipelines y ColumnTransformer · GridSearchCV y búsqueda bayesiana con Optuna
10
Explicabilidad y registro de experimentosExplicabilidad con SHAP · Registro de experimentos con MLflow
11
Del modelo entrenado al servicioSerialización del modelo · API con FastAPI
12
Presentación del proyecto final: modelo predictivo desplegadoContenedor con Docker · Presentación del proyecto con experimentos registrados y API en funcionamiento
Evaluación
Inicial30%Taller de álgebra lineal y derivadas con NumPy; planteamiento de un problema de aprendizaje con análisis de sesgo y varianza.
Intermedio30%Comparativo de modelos de regresión y clasificación con métricas adecuadas; ejercicio de agrupamiento y PCA sobre datos reales.
Final40%Proyecto final: modelo predictivo de extremo a extremo sobre un conjunto de datos real, con experimentos registrados en MLflow y API desplegada con FastAPI y Docker, con presentación.
Proyecto final
Modelo predictivo de extremo a extremo sobre un conjunto de datos real, con experimentos registrados y API desplegada.