El Machine Learning, dentro del ámbito de la inteligencia artificial, se define como la capacidad de aprendizaje de las máquinas a partir de conjuntos de datos para la ejecución de ciertas funciones o la toma de decisiones, sin necesidad de que sean programadas de manera explícita.

Las principales temáticas por abordar son los fundamentos y los principales métodos de Machine Learning para la aplicación de algoritmos y modelos que permitan la identificación de patrones y tendencias y el análisis de grandes cantidades de datos para la toma de decisiones o la realización de predicciones.

El curso está diseñado por competencias y alineado con el marco global de habilidades y competencias para un mundo digital SFIA8, por lo que se propone que los estudiantes logren responder a un nivel de responsabilidad 1 en el área de Aprendizaje Automático (MLNG), de manera que reconocen las técnicas existentes de aprendizaje automático para la solución de nuevos problemas relacionados con conjuntos de datos.

Contenidos

Tema 1. Modelos de Machine Learning
– Introducción a Machine Learning: conceptos fundamentales.
– Tipos de aprendizaje de Machine Learning: supervisado, no supervisado, semi-supervisado y por refuerzo.
– Algoritmos de aprendizaje supervisado: regresión lineal, regresión logística, árboles de decisión, Random Forest, SVM.
– Métricas de evaluación de modelos: precisión, recall, AUC-ROC.
– Overfitting y underfitting: cómo identificarlos y cómo prevenirlos.

Tema 2. Visualización de datos
– Introducción a la visualización de datos: Importancia, objetivos y principios.
– Bibliotecas para la visualización de datos: Matplotlib, Seaborn, Plotly.
– Visualización de datos multidimensionales y grandes volúmenes de datos.

Tema 3. Aprendizaje no supervisado y modelos de clustering
– Introducción al aprendizaje no supervisado: diferencias con el aprendizaje supervisado, usos y aplicaciones.
– Algoritmos de clustering: K-means, clustering jerárquico, DBSCAN.
– Algoritmos de reducción de dimensionalidad: PCA, t-SNE.
– Evaluación de modelos de clustering: Silhouette score, índice de Rand ajustado.

Tema 4. Redes neuronales
– Fundamentos de redes neuronales: perceptrón, funciones de activación, propagación hacia delante, backpropagation.
– Arquitecturas de redes neuronales: Feedforward, Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM).
– Entrenamiento de redes neuronales: Funciones de pérdida, optimización, regularización.
– Redes neuronales y Deep Learning: Introducción al Deep Learning, cómo las redes neuronales se utilizan en Deep Learning.

Metodología de Aprendizaje

La educación actual suele limitar a estudiantes, forzándoles a absorber contenidos en lugar de fomentar la solución colectiva de problemas. En CENFOTEC, buscamos modificar este enfoque mediante nuestra metodología de aprendizaje constructivista llamada 40-40-20.

La técnica 40-40-20 divide el tiempo de clase: 40% el profesor da un charla para inducir al pensamiento autónomo basado en conceptos clave; el siguiente 40% para resolver retos individuales o en grupo, que exigen exploración, donde el docente es un facilitador; y el 20% restante para una discusión guiada por el profesorado. Para mantener la atención, consideramos 1 hora lectiva como 50 minutos, especialmente en cursos de 3-4 horas.

Adicionalmente el estudiante deberá dedicar una cantidad de horas adicionales para completar retos extraclase que el profesor le asigne.