Machine Learning - De la Teoría a la Práctica

Contenidos

DÍA 1 – Fundamentos y Primeros Modelos Operativos

Módulo 1: De las Técnicas Clásicas al ML

• Límites de los sistemas expertos tradicionales
• Los tres paradigmas del Machine Learning: Supervisado, No supervisado, Reforzamiento
• Aplicación práctica: Cadena de Markov para generación de texto
• Del determinismo a las predicciones probabilísticas

Módulo 2: Regresión Lineal

• Predicción de valores numéricos: de y=ax+b al mundo multidimensional
• Flujo de trabajo estándar de ML: Definición del problema → Despliegue
• Proyecto Práctico: House Price Predictor con California Housing Dataset
• Métricas de evaluación: R², RMSE e interpretación para negocios

Módulo 3: Clasificación con Random Forest

• Decisiones categóricas y problemas de clasificación
• Ensemble Learning: la sabiduría de la multitud aplicada a los algoritmos
• Proyecto Práctico: Wine Quality Classifier con dataset UCI
• Métricas avanzadas: Precisión, Recall y trade-off para negocios

Módulo 4: Validación Cruzada

• Evitar el autoengaño: overfitting y generalización
• K-Fold Cross-Validation para estimaciones robustas
• Comparación sistemática entre diferentes algoritmos
• Decisiones basadas en evidencia estadística

DÍA 2 – Técnicas Avanzadas y Producción

Módulo 5: Preprocesamiento de Datos

• Gestión de datos reales: valores faltantes, outliers, escalas diferentes
• Estrategias de imputación y escalado de características
• Pipelines automatizadas con scikit-learn
• Prevención del data leakage

Módulo 6: Aprendizaje No Supervisado

• Descubrimiento de patrones ocultos: clustering y segmentación
• Algoritmo K-Means y optimización
• Proyecto Práctico: Segmentación de Clientes con análisis RFM
• Evaluación sin ground truth: Silhouette Score y Elbow Method

Módulo 7: Ajuste de Hiperparámetros

• Optimización sistemática del rendimiento
• Grid Search vs Random Search vs Optimización Bayesiana
• Curvas de aprendizaje para diagnóstico avanzado
• Equilibrio entre overfitting y underfitting

Módulo 8: Despliegue y Producción

• Del notebook Jupyter al sistema en producción
• Persistencia y versionado de modelos
• Proyecto Práctico: API REST para model serving
• Monitoreo, pruebas A/B y detección de drift del modelo

Proyectos Prácticos Incluidos

• House Price Predictor – Regresión lineal sobre dataset California Housing (20k+ muestras)
• Wine Quality Classifier – Random Forest sobre dataset UCI con importancia de características
• Segmentación de Clientes – Clustering K-Means para marketing personalizado
• API de Producción – Microservicio Flask listo para producción con manejo de errores