IA Aplicada: Machine Learning y Deep Learning para Decisiones Estratégicas

IA APLICADA: MACHINE LEARNING Y DEEP LEARNING PARA DECISIONES ESTRATÉGICAS Modalidad: Remota

Solicita Información

Déjanos tus datos y nos pondremos en contacto contigo

Términos y condiciones

DESCRIPCIÓN

El curso ha sido concebido como un curso integral y avanzado que busca formar a profesionales capaces de liderar proyectos analíticos en entornos complejos, dinámicos y altamente competitivos. La propuesta parte de una sólida base teórica en aprendizaje automático y redes neuronales profundas, complementada con una aplicación intensiva y guiada sobre escenarios reales de negocio, donde los participantes aprenderán a generar soluciones basadas en datos con impacto tangible en la toma de decisiones empresariales.

Desde una perspectiva conceptual, el curso se sustenta en los principios fundamentales del aprendizaje supervisado, no supervisado y profundo (deep learning), abordando los modelos más relevantes de clasificación, regresión, clustering y predicción, así como arquitecturas neuronales clave como perceptrones multicapa (MLP), redes convolucionales (CNN) y redes recurrentes (RNN). Se enfatizará no solo la comprensión algorítmica, sino también la capacidad para traducir requerimientos estratégicos de negocio en modelos analíticos eficaces, alineados con objetivos operativos y financieros.

Requisito: Tener como mínimo 1 año de experiencia laboral o contar con el grado académico de bachiller universitario*
Modalidad: Remota
Clases: 24 y 31 de octubre; 7, 14, 21 y 28 de noviembre; 5 de diciembre.
Horario: Viernes de 7:00 p.m. a 10:00 p.m.
Inversión: S/ 1,990
Consulta por los beneficios que tenemos para ti.

OBJETIVOS

– Comprender los fundamentos teóricos y prácticos del machine learning y el deep learning, incluyendo sus tipos, algoritmos y el ciclo de vida de un proyecto analítico, con énfasis en su aplicación para la creación de valor estratégico en las organizaciones.

– Analizar y preparar datos de negocio de forma rigurosa, aplicando técnicas de limpieza, transformación, visualización y preprocesamiento, como paso fundamental para la construcción de modelos predictivos y prescriptivos.

– Diseñar y construir nuevas variables (feature engineering) que capturen relaciones clave dentro de los datos, y seleccionar las más relevantes mediante métodos estadísticos y algoritmos de reducción de dimensionalidad.

– Implementar, entrenar, evaluar y optimizar modelos de aprendizaje automático y redes neuronales profundas utilizando bibliotecas especializadas de Python (como scikit-learn y Keras), siguiendo buenas prácticas de validación, interpretación y ajuste de hiperparámetros.

– Integrar modelos de machine learning en el proceso de toma de decisiones empresarial, comunicando los resultados de forma efectiva y comprendiendo su impacto operativo, financiero y estratégico en distintos sectores.

TEMARIO

	SESIÓN 1: Introducción al Machine Learning y Preprocesamiento de Datos con Python
		Fundamentos de machine learning, deep learning e IA. Evolución de la Ciencia de Datos y su relación con otras tecnologías emergentes.
		Tipos de aprendizaje: supervisado, no supervisado y por refuerzo.
		Ciclo de vida de un proyecto de Ciencia de Datos en la industria.
		Ecosistema tecnológico: ejecución local vs. en la nube (Google Colab).
		Estructuras de datos en Python: listas, tuplas, diccionarios y conjuntos.
		Estructuras de control: condicionales y bucles.
		Funciones simples y funciones lambda.
		Técnicas básicas de filtrado y selección de datos.
	SESIÓN 2: Análisis Exploratorio de Datos (AED). Ingeniería y Selección de variables.
		Tipos de variables y escalas de medición. Medidas de tendencia central, dispersión y posición. Percentiles. Análisis y tratamiento de valores faltantes y outliers. Correlaciones, asociaciones y pruebas estadísticas básicas
		Principios de ingeniería de variables (feature engineering).
		Técnicas de selección de variables: correlación, importancia mediante métodos clásicos, importancia mediante métodos avanzados.
		Balanceo de clases: undersampling, oversampling, SMOTE.
	SESIÓN 3: Aprendizaje Supervisado para Regresión
		Regresión lineal simple y múltiple.
		Ridge, Lasso y ElasticNet.
		Árboles de regresión. Random Forest.
		Métricas de evaluación: MAE, RMSE, R²
		Visualización e interpretación de modelos.
	SESIÓN 4: Aprendizaje Supervisado para Clasificación
		Regresión logística, KNN, Naive Bayes, árboles de decisión
		Support Vector Machines (SVM)
		Métodos ensemble: Random Forest, AdaBoost, XGBoost, LightGBM, CatBoost.
		Validación cruzada, matriz de confusión, precisión, recall, F1-score, AUC-ROC. Interpretación de resultados en contexto de negocio, curvas de ganancias y tablas de efectividad-lift.
	SESIÓN 5: Aprendizaje No Supervisado: Clusterización y Reglas de Asociación
		Clustering jerárquico y particional (K-Means, PAM, CLARA)
		DBSCAN y métodos basados en densidad.
		Evaluación de clusters: silueta, codo, GAP.
		Reglas de asociación y análisis de mercado (Market Basket Analysis).
	SESIÓN 6: Introducción al Deep Learning: Perceptrón y Redes Neuronales Feedforward
		Neuronas artificiales y arquitectura de redes feedforward.
		Algoritmo de retropropagación y función de activación.
		Overfitting, regularización y dropout.
		Implementación con Keras.
	SESIÓN 7: Redes Convolucionales y Recurrentes en Deep Learning
		Redes convolucionales (CNN): procesamiento de imágenes.
		Redes recurrentes (RNN, LSTM): datos secuenciales y series temporales.
		Entrenamiento, ajuste de hiperparámetros y evaluación.
		Aplicaciones en visión por computadora, análisis de sentimientos y pronóstico.

PERFIL DEL PARTICIPANTE

- Dirigido a profesionales con o sin experiencia previa que quieran iniciar o complementar su conocimiento en el ámbito de la Inteligencia Artificial o Machine Learning, o que deseen iniciar una carrera en este campo. - Profesionales que se desarrollan en áreas de Business Intelligence, TI, marketing, planificación, analytics u otras áreas relacionadas al análisis de datos y la toma de decisiones. - Profesionales que deseen incursionar en el mundo de Big Data y Data Science como oportunidad en la línea de carrera y deseen entender toda la ciencia estadística que existe detrás de varios conceptos estudiados. - Profesionales deseosos de aprender el uso del lenguaje de programación Python en la resolución de distintos problemas de la naturaleza que pueden ser llevados a problemas de datos para la toma de decisiones automáticas.

DOCENTE

André Chavez Panduro

Consultor Senior en Inteligencia Artificial y Analítica Avanzada en el Ministerio Público. Anteriormente se desempeñó como People Analytics & PPM Senior Manager en Backus, también fue Analytics Manager en AB InBev. Ha cumplido funciones similares en Interbank, Claro, Chubb Seguros e INEI. Con experiencia en análisis estadístico y gestión de la información. Cofundador de San Marcos Data Science Community, comunidad dedicada a promover la investigación de los estudiantes de la UNMSM en temas como data science, big data, machine learning y data mining. Maestro en Ciencia de Datos por la Universidad Ricardo Palma. Experto en Machine Learning, Modelamiento Predictivo y Análisis Estadístico. Transformación Digital en el MIT. Especialización en Machine Learning y Cómputo Distribuido por el Centro de Investigación en Matemáticas (México). Licenciado en Estadística por la Universidad Nacional Mayor de San Marcos.

/** Para mostrar la secci�n de video MP4 o youtube si existe contenido **/ /** Para mostrar la secci�n de video MP4 o youtube si existen **/

CERTIFICACIÓN

Los participantes que cumplan con el 80% de asistencia al curso y obtengan una nota mínima aprobatoria de once (11) recibirán el Certificado de Participación correspondiente, en formato digital, emitido por Pacífico Business School.

Una vez iniciado el curso, no se podrá solicitar la devolución por este concepto. El dictado de clases del curso se iniciará siempre que se alcance el número mínimo de alumnos matriculados establecido por Pacífico Business School. Pacífico Business School se reserva el derecho de modificar la plana docente, por motivos de fuerza mayor o por disponibilidad del profesor, garantizando que la calidad del curso no se vea afectada.

Toda modificación será comunicada anticipadamente a los participantes. Todo el material estará a su disposición en las plataformas virtuales.