Seminario fundamentos de aprendizaje automático-machine learning con scikit-learn

Módulo 1.
Introducción y Pasos en un Proyecto de Aprendizaje Automático: Definición, propósito y problemas que el aprendizaje automático busca resolver. Categorías principales y conceptos fundamentales de sus sistemas. Descripción general de los pasos típicos en un proyecto de aprendizaje automático. 
 
Módulo 2.
Clasificación: Abordaremos las tareas de aprendizaje supervisado, centrándonos en la clasificación (predicción de clases). Se realizará una revisión de los sistemas de clasificación mediante el análisis de ejemplos con scikit-Learn
 
Módulo 3.
Regresión Lineal, regresión múltiple: En este módulo, abordamos los modelos de aprendizaje automático y sus algoritmos de entrenamiento, priorizando la regresión lineal y múltiple. Aunque muchas veces se utilizan como cajas negras, entender su funcionamiento interno permite seleccionar el modelo adecuado, el algoritmo de entrenamiento correcto y un conjunto óptimo de hiperparámetros. Se exploran dos métodos para entrenar la regresión lineal: mediante una ecuación de "forma cerrada" y mediante el enfoque de optimización iterativa llamado descenso del gradiente. Posteriormente, se introduce la regresión polinómica, que aborda conjuntos de datos no lineales y técnicas de regularización para evitar el sobreajuste. El módulo concluye con una breve introducción a la regresión logística y softmax, todo ello implementado con scikit-Learn.
 
Módulo 4.
SVM: Support Vector Machine(SVM, por sus siglas en inglés) es un modelo versátil y potente de aprendizaje automático, apto para realizar clasificación lineal o no lineal, regresión e incluso detección de novedades. Las SVMs son especialmente efectivas en conjuntos de datos pequeños a medianos de carácter no lineal, principalmente para tareas de clasificación. Sin embargo, no se adaptan eficientemente a conjuntos de datos muy grandes. En este módulo, abordaremos los conceptos esenciales de las SVMs, su uso y su funcionamiento, todo ello a través de ejemplos prácticos utilizando scikit-learn 
 
Módulo 5.
Arboles de decisión: Los árboles de decisión son algoritmos versátiles de aprendizaje automático que pueden realizar tareas de clasificación y regresión, e incluso tareas de múltiples salidas. Son algoritmos poderosos, capaces de adaptarse a conjuntos de datos complejos. En este módulo, comenzaremos discutiendo cómo entrenar, visualizar y realizar predicciones con árboles de decisión utilizando scikit-learn. Luego, abordaremos el algoritmo de entrenamiento CART, exploraremos cómo regularizar árboles y cómo utilizarlos para tareas de regresión. Finalmente, discutiremos algunas de las limitaciones de los árboles de decisión
 
Módulo 6.
Ensemble Learning y Random Forest: El "ensemble Learning" aprovecha la sabiduría colectiva, combinando múltiples predictores para mejorar la precisión en tareas de aprendizaje automático. Es similar a consultar a miles de personas para obtener una respuesta más acertada. En este tema, exploraremos técnicas de ensemble, como "random forests", clasificadores de votación y "boosting", y cómo implementarlas con scikit-learn. Estos métodos, al agrupar diferentes algoritmos, potencian las predicciones y son esenciales en proyectos avanzados

Módulo 7. 
Reducción de la dimensionalidad: El enfrentar problemas con miles o millones de características puede llevar a la "maldición de la dimensionalidad", complicando y ralentizando el proceso de aprendizaje automático. Afortunadamente, es posible reducir estas características, facilitando y agilizando la tarea. La reducción de dimensionalidad no sólo acelera el entrenamiento, sino que es crucial para la visualización de datos, facilitando la identificación de patrones y la comunicación efectiva de los resultados. En este módulo, exploraremos técnicas de reducción de dimensionalidad, como PCA, proyección aleatoria y LLE, y cómo implementarlas con scikit-learn para optimizar el aprendizaje automático.
 
Módulo 8.
Técnicas de aprendizaje automático no supervisado: El aprendizaje no supervisado brinda la posibilidad de trabajar con datos no etiquetados, una realidad en muchas aplicaciones actuales de aprendizaje automático. En lugar de depender de etiquetas manuales costosas y laboriosas, este enfoque se centra en tareas como el agrupamiento de instancias similares, la detección de datos inusuales y la estimación de la densidad de un conjunto de datos. En este módulo, utilizando scikit-learn, abordaremos estos conceptos esenciales, proporcionando herramientas prácticas para situaciones del mundo real.