Inteligencia Artificial y Machine Learning

Conceptos básicos de Inteligencia Artificial y Machine Learning.

Diferencias entre Aprendizaje Supervisado, No Supervisado y por Refuerzo.

Instalación y configuración del entorno: Python, librerías (numpy, pandas, scikit-learn, tensorflow).

Práctica : Configuración del entorno y ejecución de un primer modelo de regresión simple.

Importancia del preprocesamiento en Machine Learning.

Limpieza y transformación de datos con pandas y scikit-learn.

Normalización, estandarización y manejo de valores faltantes.

Práctica : Cargar un conjunto de datos real, limpiar los datos y prepararlos para un modelo de ML.

Regresión Lineal y Regresión Logística.

Introducción a Árboles de Decisión y Random Forest.

Evaluación de modelos: Métricas como MSE, R², Accuracy, Precision, Recall.

Práctica : Crear modelos de predicción de precios de casas o clasificación de clientes.

Agrupación: K-Means, DBSCAN y Jerárquico.

Reducción de Dimensionalidad con PCA.

Práctica : Aplicación de K-Means para segmentación de clientes o análisis de patrones en datos de ventas.

Conceptos básicos de Redes Neuronales y cómo funcionan.

Construcción de una red neuronal con TensorFlow y Keras.

Práctica : Entrenar un modelo de red neuronal para clasificación de imágenes o predicción de series temporales.