SeminarioInteligencia artificial y datos
Fundamentos de aprendizaje automático
El seminario Fundamentos de aprendizaje automático proporciona al estudiante los conceptos y algoritmos esenciales de regresión, clasificación y agrupamiento con práctica en Python, pandas y scikit-learn, junto con métricas, validación cruzada y control del sobreajuste. Le permite entrenar y comparar modelos predictivos sobre datos reales y sirve como base para cursos avanzados de IA y ciencia de datos.
A quién va dirigido
Estudiantes y profesionales con Python básico y estadística introductoria.
Objetivos
✓Comprender los tipos de aprendizaje supervisado, no supervisado y por refuerzo y la partición en entrenamiento, validación y prueba.
✓Analizar el comportamiento de la regresión lineal con función de costo, descenso del gradiente y regularización.
✓Aplicar regresión logística, árboles de decisión y bosques aleatorios con scikit-learn, incluso con clases desbalanceadas.
✓Diseñar experimentos de agrupamiento con k-means y reducción de dimensionalidad con PCA.
✓Evaluar modelos con MAE, RMSE, matriz de confusión, precisión, exhaustividad y validación cruzada para detectar sobreajuste.
Plan de estudios por sesión
1
Aprender de los datosQué es aprender de los datos · Supervisado, no supervisado y por refuerzo
2
Partición y preparación de datosConjuntos de entrenamiento, validación y prueba · Preparación de datos con pandas
3
Regresión lineal y optimizaciónRegresión lineal y función de costo · Descenso del gradiente
4
Regularización y métricas de regresiónRegularización · Métricas MAE y RMSE
5
Modelos de clasificaciónRegresión logística · Árboles de decisión y bosques aleatorios
6
Métricas y desbalance de clasesMatriz de confusión, precisión y exhaustividad · Clases desbalanceadas
7
Agrupamiento y reducción de dimensionalidadk-means y elección de k · Reducción de dimensionalidad con PCA
8
Presentación del proyecto finalProyecto con datos reales: comparación de algoritmos · Sobreajuste y validación cruzada en el modelo final
Evaluación
Inicial30%Preparación de datos con pandas y partición de conjuntos; cuestionario de tipos de aprendizaje con casos.
Intermedio30%Cuaderno con regresión regularizada y métricas MAE y RMSE; clasificador con matriz de confusión y manejo de desbalance.
Final40%Proyecto final: modelo predictivo en Jupyter sobre datos reales con comparación de algoritmos, validación cruzada y sustentación de métricas.
Proyecto final
Modelo predictivo en un cuaderno de Jupyter sobre datos reales, con comparación de algoritmos y análisis de métricas.