Introducción al análisis de datos (aprox. 1 día)

Modelo de referencia CRISP-DM

Flujos de trabajo de análisis de datos

Definición de inteligencia artificial, aprendizaje automático, aprendizaje profundo

Requisitos y función en la empresa de ingenieros de datos, científicos de datos y analistas de datos

Repaso de los fundamentos de Python (aprox. 1 día)

Análisis de datos (aprox. 3 días)

Módulos centrales de Python en el contexto del análisis de datos (NumPy, Pandas)

Proceso de preparación de datos

Algoritmos de minería de datos en Python

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Visualización de datos (aprox. 3 días)

Análisis exploratorio de datos

Perspectivas

Calidad de los datos

Análisis de beneficios

Visualización con Python: Matplotlib, Seaborn, Plotly Express

Narración de datos

Gestión de datos (aprox. 2 días)

Arquitecturas de big data

Bases de datos relacionales con SQL

Comparación de bases de datos SQL y NoSQL

Inteligencia empresarial

Protección de datos en el contexto del análisis de datos

Análisis de datos en un contexto de big data (aprox. 1 día)

Enfoque MapReduce

Spark

NoSQL

Cuadros de mando (aprox. 3 días)

Biblioteca: Cuadros de mando

Estructura y personalización de cuadros de mando

Devoluciones de llamada

Minería de textos (aprox. 1 día)

Preprocesamiento de datos, visualización

Biblioteca: SpaCy

Trabajo por proyectos (aprox. 5 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje automático (aprox. 5 días)

¿Por qué aprendizaje automático?

Ejemplos de aplicación

Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje parcialmente supervisado, aprendizaje por refuerzo

Ejemplos de conjuntos de datos

Conocer los datos

Datos de entrenamiento, validación y prueba

Visualización de datos

Hacer predicciones

Aprendizaje supervisado (aprox. 5 días)

Clasificación y regresión

Generalización, ajuste excesivo y ajuste insuficiente

Tamaño del conjunto de datos

Algoritmos de aprendizaje supervisado

Modelos lineales

Clasificadores Bayes

Árboles de decisión

Bosque aleatorio

Impulso por gradiente

k-vecinos más cercanos

Máquinas de vectores soporte

Campo aleatorio condicional

Redes neuronales y aprendizaje profundo

Probabilidades

Aprendizaje no supervisado (aprox. 5 días)

Tipos de aprendizaje no supervisado

Preprocesamiento y escalado

Transformaciones de datos

Escalado de datos de entrenamiento y de prueba

Reducción dimensional

Ingeniería de características

Aprendizaje múltiple

Descomposición de componentes principales (PCA)

Factorización de matrices no negativas (NMF)

Aprendizaje múltiple con t-SNE

Análisis de clústeres

Agrupación de k-Means

Agrupación por conglomerados

Análisis jerárquico de conglomerados

DBSCAN

Algoritmos de clúster

Evaluación y mejora (aprox. 2 días)

Selección y evaluación de modelos

Ajuste de los hiperparámetros de un estimador

Validación cruzada

Búsqueda en cuadrícula

Métricas de evaluación

Clasificación

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje profundo (aprox. 1 día)

El aprendizaje profundo como tipo de aprendizaje automático

Fundamentos de las redes neuronales (aprox. 4 días)

Perceptrón

Cálculo de redes neuronales

Optimización de los parámetros del modelo, backpropagation

Bibliotecas de aprendizaje profundo

Regresión frente a clasificación

Curvas de aprendizaje, sobreajuste y regularización

Optimización de hiperparámetros

Descenso de gradiente estocástico (SGD)

Momentum, optimizador Adam

Tasa de aprendizaje

Red neuronal convolucional (CNN) (aprox. 2 días)

Clasificación de imágenes

Capas convolucionales, capas de agrupamiento

Capas de remodelación, aplanamiento, pooling de media global

Arquitecturas CNN ImageNet-Competition

Redes neuronales profundas, gradientes de fuga, conexiones de salto, normalización por lotes

Aprendizaje por transferencia (aprox. 1 día)

Adaptación de modelos

Formación previa no supervisada

Aumento de datos de imágenes, IA explicable

CNN regional (aprox. 1 día)

Localización de objetos

Problemas de regresión

Redes neuronales ramificadas

Métodos de generación creativa de imágenes (aprox. 1 día)

Redes Generativas Adversariales (GAN)

Deepfakes

Modelos de difusión

Redes neuronales recurrentes (aprox. 2 días)

Análisis de secuencias

Capas recurrentes

Retropropagación en el tiempo (BPTT)

Análisis de series temporales

Problemas de gradiente explosivo y evanescente

LSTM (memoria a corto plazo larga)

GRU (Unidad Recurrente Controlada)

RNN profunda

LSTM profunda

Tratamiento de textos mediante redes neuronales (aprox. 2 días)

Preprocesamiento de textos

Incrustación de capas

Clasificación de textos

Análisis de sentimientos

Aprendizaje de transferencia en PNL

Traducciones

Método secuencia a secuencia, arquitectura codificador-decodificador

Modelos lingüísticos (aprox. 1 día)

BERT, GPT

Capas de atención, transformadores

Tuberías de generación de texto

Resumidores

chatbots

Aprendizaje profundo por refuerzo (aprox. 1 día)

Control de sistemas dinámicos

Sistemas de agentes

Entrenamiento mediante recompensas

Gradientes de políticas

Aprendizaje Q profundo

Redes neuronales bayesianas (aprox. 1 día)

Incertidumbres en las redes neuronales

Evaluación estadística de las previsiones

Confianza, desviación típica

Datos desequilibrados

Métodos de muestreo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto