Datos, machine learning y deep learning
Curso de machine learning con Python
Modelos predictivos de verdad, desde los datos hasta la evaluación y la interpretación.
El machine learning es la base de la mayoría de aplicaciones de IA que no son generativas: predecir la demanda, detectar fraudes, anticipar el abandono de clientes o segmentar el mercado. Y sigue siendo, en muchos casos, la herramienta más eficaz y barata para problemas con datos estructurados.
Este curso recorre el ciclo completo con Python y scikit-learn: plantear el problema, explorar y preparar los datos, entrenar y comparar modelos, validar sin engañarse y explicar las predicciones. Con un proyecto sobre un caso de negocio de principio a fin.
Es la base para el curso de deep learning con PyTorch.
Qué aprenderás
- Plantear un problema de negocio como un problema de machine learning
- Preparar datos y crear variables útiles
- Entrenar y comparar modelos de regresión y clasificación
- Validar correctamente y elegir la métrica adecuada
- Interpretar los modelos y explicar sus predicciones
Temario
9 módulos, de los fundamentos al proyecto final.
-
Qué es el machine learning
- Aprendizaje supervisado, no supervisado y por refuerzo
- Del problema de negocio al problema de ML
- Cuándo no hace falta machine learning
-
Análisis exploratorio
- Distribuciones, correlaciones y valores atípicos
- Calidad de los datos
-
Preparación de datos
- Valores ausentes y variables categóricas
- Escalado e ingeniería de variables
- Pipelines de scikit-learn
-
Regresión
- Regresión lineal y regularización
- Métricas de error
-
Clasificación
- Regresión logística, árboles y bosques aleatorios
- Gradient boosting (XGBoost, LightGBM)
- Clases desbalanceadas
-
Validación y métricas
- Validación cruzada y fuga de datos
- Precisión, exhaustividad, F1, AUC y matriz de confusión
- Ajuste de hiperparámetros
-
No supervisado
- Clustering con k-means y DBSCAN
- Reducción de dimensionalidad
- Segmentación de clientes
-
Interpretación y equidad
- Importancia de variables y valores SHAP
- Sesgos en los datos y en los modelos
-
Del cuaderno al uso real
- Guardar y servir un modelo
- Seguimiento del rendimiento
Herramientas con las que practicarás
- Python
- scikit-learn
- pandas
- XGBoost o LightGBM
- SHAP
- Jupyter
Proyecto práctico
Desarrollas un modelo predictivo completo sobre un caso de negocio (por ejemplo, previsión de abandono de clientes o de impagos), desde el análisis exploratorio hasta la validación, la interpretación y una presentación de resultados para negocio.
Requisitos
- Python básico (equivalente al curso de Python para IA).
- Nociones de estadística recomendables.
Otros cursos
-
Curso de deep learning con PyTorch
Entiende y construye redes neuronales modernas, de los tensores a los transformers.
- Duración: 30 horas
- Nivel: Avanzado
-
Curso de fine-tuning de modelos de lenguaje
Adapta un modelo de lenguaje a tu dominio, tu tono o tu tarea, con criterio y método.
- Duración: 16 horas
- Nivel: Avanzado
-
Curso de IA aplicada a análisis de datos (sin data science)
Obtén conclusiones de tus datos con IA, aunque no seas data scientist.
- Duración: 8 horas
- Nivel: Inicial
Dónde se aplica
-
Desarrollo de IA a medida
Diseñamos y desarrollamos soluciones de inteligencia artificial adaptadas a tus procesos, datos y herramientas cuando una solución estándar no encaja o se queda corta.
-
Mantenimiento predictivo con IA
Los datos de los sensores de las máquinas avisan del desgaste antes de que haya una avería, para reparar en una parada planificada y no en mitad de la producción.
-
Predicción de bajas de clientes con IA
Un modelo de machine learning detecta qué clientes tienen más probabilidad de irse y por qué, para que el equipo comercial actúe antes de perderlos.
¿Quieres este curso para tu equipo?
Adaptamos el contenido, la duración y la modalidad a tu empresa.