ANALISIS PREDICTIVO CON PYTHON Y MACHINE LEARNING

INTRODUCCIÓN A PYTHON PARA MACHINE LEARNING

• Configuración del Entorno de Trabajo: Instalación de Jupyter Notebook y Anaconda, configuración del entorno.
• Librerías Clave: Instalación y uso de pandas, scikit-learn, matplotlib y seaborn.
• Fundamentos de Python para Análisis de Datos: Principios básicos de programación enfocados en manipulación y análisis de datos.

PREPARACIÓN DE DATOS PARA MODELOS PREDICTIVOS

• Limpieza de Datos: Manejo de valores nulos, duplicados y formato con pandas.
• Análisis Exploratorio de Datos (EDA): Estadísticas descriptivas y visualización inicial.
• Preprocesamiento de Datos: Codificación de variables categóricas (One-Hot Encoding), escalado y normalización con StandardScaler y MinMaxScaler

Fundamentos de Machine Learning

• Definición, tipos de aprendizaje: supervisado, no supervisado, por refuerzo
• Flujo completo de un proyecto de ML 
• Selección de algoritmos según el problema
• Validación cruzada, overfitting vs underfitting
• Mapa de algoritmos y casos de uso en negocios (segmentación, churn, scoring, etc.)

Algoritmos Supervisados Clásicos

• Regresión lineal vs regresión polinomial
• Árboles de decisión, random forest
• Máquinas de soporte vectorial (SVM)
• Metricas: RMSE, MAE, accuracy, ROC-AUC

Algoritmos No Supervisados y Clustering

• Clustering: K-means, DBSCAN, jerárquico
• Reducción de dimensionalidad: PCA
• Visualización de clusters e interpretación

Introducción a Redes Neuronales y Deep Learning

• ¿Qué es una red neuronal? Arquitectura básica
• Funciones de activación, pérdida y optimizadores
• Creación de un modelo simple de red neuronal (clasificación binaria)

Modelos Avanzados de Deep Learning

• Redes multicapa (MLP) y su aplicación
• Introducción a redes convolucionales (CNN): visión por computadora
• Introducción a redes recurrentes (RNN): series de tiempo y secuencias
• Transfer learning y uso de modelos preentrenados