Fundamentos de IA y Aprendizaje Automático - Python, Ciencia de Datos y MLOps

Resumen

Domina los fundamentos de la IA y el aprendizaje automático a través de Python, desde conceptos básicos hasta algoritmos avanzados, con proyectos prácticos en análisis predictivo y orientación práctica para iniciar una carrera en ciencia de datos.

Programa de estudio

• Introducción a IA y Aprendizaje Automático
Panorama de IA y AA
Contexto Histórico y Evolución
Tendencias y Aplicaciones Actuales
• Python para IA y Aprendizaje Automático
Fundamentos de Python e Instalación
Numpy y Pandas para Manipulación de Datos
Visualización de Datos con Matplotlib y Seaborn
• Fundamentos de Ciencia de Datos
Recolección y Limpieza de Datos
Estadísticas Descriptivas
Análisis Exploratorio de Datos (EDA)
• Aprendizaje Supervisado
Regresión (Lineal, Logística)
Algoritmos de Clasificación (Árboles de Decisión, Máquinas de Soporte Vectorial, k-NN)
Métricas de Evaluación de Modelos
• Aprendizaje No Supervisado
Clustering (k-Means, Jerárquico)
Reducción de Dimensionalidad (PCA, t-SNE)
Detección de Anomalías
• Algoritmos Avanzados de Aprendizaje Automático
Métodos de Conjunto (Bosques Aleatorios, Incremento de Gradiente)
Fundamentos de Redes Neuronales
Introducción al Aprendizaje Profundo
• Proyectos Prácticos en Analítica Predictiva
Proyecto 1: Modelado Predictivo con Regresión
Proyecto 2: Segmentación de Clientes usando Clustering
Proyecto 3: Clasificación de Imágenes con Aprendizaje Profundo
• Introducción a MLOps
Fundamentos de Despliegue de Modelos
Pipelines CI/CD para Aprendizaje Automático
Monitoreo y Mantenimiento de Modelos
• Guía Práctica para una Carrera en Ciencia de Datos
Construcción de un Portafolio
Networking e Interacción Comunitaria
Preparación para Entrevistas y Caminos Profesionales
• Resumen del Curso y Próximos Pasos
Recapitulación de Conceptos Clave
Recursos Adicionales para el Aprendizaje Continuo
Certificaciones y Opciones de Educación Adicional

Asignaturas

Ciencia de Datos