🧠Objetivos de aprendizaje
Las personas cursantes desarrollarán competencias para implementar modelos de machine learning básicos y avanzados, comprendiendo clasificadores, técnicas de optimización y validación de modelos. Serán capaces de manejar algoritmos de aprendizaje no supervisado, aplicar técnicas de reducción de dimensionalidad y explorar métodos de clustering. Además, adquirirán un dominio profundo de las redes neuronales, desde su arquitectura básica hasta su implementación con TensorFlow y PyTorch, aplicando redes convolucionales y recurrentes en contextos como visión por computadora y procesamiento de lenguaje natural. También serán capaces de diseñar y entrenar modelos avanzados como autoencoders y transformadores. Por último, aprenderán a gestionar proyectos de IA, integrando herramientas de MLOps para garantizar la eficiencia, escalabilidad y mantenimiento a largo plazo de las soluciones implementadas.
❓ ¿A quién va dirigido?
● Profesionales que desean especializarse en machine learning, deep learning y gestión de proyectos de IA.
● Estudiantes avanzados o recién graduados que buscan ingresar al campo del Data Science y aplicar técnicas de análisis de datos complejas.
● Personas con experiencia previa en análisis de datos que deseen profundizar en técnicas de aprendizaje automático y redes neuronales.
● Emprendedores y líderes de proyectos que buscan integrar inteligencia artificial en soluciones empresariales escalables.
● Cualquier persona interesada en adquirir conocimientos avanzados en Data Science.
📚 Contenidos
Introducción a Machine Learning
Se espera que los estudiantes puedan:
● Implementar modelos básicos de machine learning, incluyendo clasificadores lineales y K-nearest neighbors.
● Entender y aplicar árboles de decisión para problemas de clasificación.
● Evaluar el rendimiento de los modelos de machine learning utilizando métricas básicas.
● Identificar y manejar el sobreajuste en los modelos de aprendizaje automático.
● Aplicar estrategias de evaluación como el train-test split y la validación cruzada para obtener estimaciones fiables del rendimiento del modelo.
Modelo avanzado en Machine Learning
Se espera que los estudiantes puedan:
● Desarrollar una comprensión profunda de los modelos avanzados de machine learning, incluyendo técnicas de regresión, optimización, y ensamble.
● Comprender y aplicar técnicas de optimización como el descenso del gradiente y métodos avanzados (Momentum, RMSprop, Adam) para mejorar el rendimiento de los modelos.
● Evaluar y validar modelos de machine learning utilizando métricas avanzadas, validación cruzada, y análisis de residuals, asegurando la robustez y precisión de los modelos.
● Implementar proyectos prácticos que utilicen diversas técnicas de machine learning, optimización y evaluación, y analizar resultados para proponer mejoras.
● Presentar ejemplos reales de la industria que han beneficiado de técnicas avanzadas de machine learning, proporcionando contexto y aplicaciones prácticas para los conocimientos adquiridos.
Aprendizaje no supervisado
Se espera que los estudiantes puedan:
● Estudiar la teoría y aplicaciones prácticas de algoritmos de clustering, reducción de dimensionalidad y selección de variables.
● Aprender a utilizar y comparar algoritmos de clustering como K-means, clustering jerárquico, DBSCAN, y evaluar su efectividad.
● Aplicar estrategias de selección de variables y técnicas de reducción de dimensionalidad como PCA, LDA, T-SNE y UMAP para mejorar el rendimiento de los modelos de IA.
● Utilizar Python y bibliotecas relevantes para implementar, evaluar y visualizar algoritmos de aprendizaje no supervisado.
● Aplicar técnicas de evaluación y validación cruzada para asegurar la robustez y precisión de los modelos no supervisados.
Fundamentos de Redes Neuronales
Se espera que los estudiantes puedan:
● Entender los principios básicos y la arquitectura de las redes neuronales, incluidos los perceptrones y perceptrones multicapa.
● Aplicar diferentes funciones de activación y entender su impacto en la red.
● Implementar redes neuronales utilizando grafos y capas densas.
● Seleccionar y aplicar distintas funciones de pérdida y técnicas de regularización y optimización adecuadas para cada problema.
● Comprender y aplicar el descenso por gradiente y otras técnicas de optimización en contextos de funciones convexas y no convexas.
● Utilizar backpropagation para el entrenamiento eficiente de redes neuronales.
● Manejar tensores y construir modelos complejos de aprendizaje automático.
● Guardar y recuperar modelos entrenados desde el disco para su uso en aplicaciones prácticas.
Fundamentos de Deep Learning
Se espera que los estudiantes puedan:
● Implementar y entrenar redes neuronales avanzadas utilizando TensorFlow y PyTorch.
● Aplicar CNNs para tareas de procesamiento de imágenes y visión por computadora.
● Utilizar RNNs para análisis de secuencias, procesamiento de lenguaje natural y otras aplicaciones de series temporales.
● Explorar y aplicar modelos de Transformadores para tareas de procesamiento de lenguaje natural de vanguardia.
● Diseñar y entrenar Autoencoders y Modelos Generativos para la generación de datos y la reducción de dimensionalidad.
Gestión de Proyectos de IA
Se espera que los estudiantes puedan:
● Aplicar metodologías de desarrollo adecuadas para proyectos de IA.
● Integrar tecnologías de IA en aplicaciones y sistemas existentes.
● Desarrollar y gestionar proyectos de IA desde la conceptualización hasta el despliegue.
● Implementar prácticas de MLOps para el mantenimiento y la escalabilidad de proyectos de IA.
● Navegar por los desafíos técnicos y de gestión asociados con el desarrollo de proyectos de IA.
Desafío profesional de IA para Data Scientists
Se espera que los estudiantes puedan:
● Aplicar de manera integral los conocimientos y habilidades adquiridos a lo largo de la certificación, resolviendo un caso real de Data Science desde la definición del problema hasta la implementación y evaluación del modelo.
● Seleccionar y preparar datos provenientes de diferentes fuentes, aplicando técnicas avanzadas de limpieza, transformación y exploración para asegurar la calidad y relevancia de los datos para el análisis.
● Desarrollar y entrenar modelos de machine learning y deep learning, utilizando técnicas supervisadas y no supervisadas, ajustando hiperparámetros y optimizando el rendimiento de los modelos para obtener resultados precisos y robustos.
● Evaluar y comparar múltiples modelos de machine learning y deep learning, utilizando métricas de rendimiento avanzadas para seleccionar la mejor solución al problema planteado, y aplicar técnicas de interpretación de modelos para entender el impacto de las variables en los resultados obtenidos.
● Presentar de manera efectiva los resultados obtenidos, utilizando herramientas de visualización y comunicación, adaptando la información a diferentes públicos y contextos para facilitar la toma de decisiones basada en datos.
● Desarrollar un informe final y una presentación que aborden todas las etapas del proyecto, justificando las decisiones tomadas, los métodos aplicados y los resultados obtenidos, demostrando un enfoque analítico y estratégico en la solución de problemas complejos con Data Science.