Mapa de la expedición

1. 1.1Introducción al curso: el mapa, los bloques y la expediciónEn preparación
2. 1.2Prerrequisitos y autodiagnósticoEn preparación
3. 1.3Machine learning y ciencia de datos hoy: roles y lo que piden las empresasEn preparación
4. 1.4Introducción al machine learningEn preparación
5. 1.5Tipos de machine learningEn preparación
6. 1.6El ciclo de vida de un proyecto de ML: del problema al modelo en producciónEn preparación
7. 1.7Tu entorno de trabajo: cuadernos (Colab, Jupyter, marimo), uv y GitEn preparación
8. 1.8Programar con asistentes de IA sin dejar de aprenderopcionalEn preparación
9. JefeCrea el repositorio de un nuevo microcaso de inventario y entrega un cuaderno reproducible

Ver la tierra → Mapa interior →

1. 2.1Datos: la materia primaEn preparación
2. 2.2Tipos de datos y sus característicasEn preparación
3. 2.3Conjuntos de datos: descripción y definición matemáticaEn preparación
4. 2.3.1Conjuntos de datos etiquetadosEn preparación
5. 2.4¿Cómo obtener datos? Datos abiertos, APIs y scraping éticoEn preparación
6. 2.4.1Práctica: consumir una API con PythonopcionalEn preparación
7. 2.5Ciclo de vida de los datosEn preparación
8. 2.6Formatos y almacenamiento: CSV, Parquet y Arrow; data lake, warehouse y lakehouseEn preparación
9. 2.7DataFrames modernos: Polars y pandas 3 en la prácticaEn preparación
10. 2.8Consultar datos con SQL en DuckDBEn preparación
11. 2.9Limpieza y preprocesamiento de datosEn preparación
12. 2.10Calidad, ética y privacidad de los datosEn preparación
13. JefeIntegra registros de dos proveedores ficticios con calidad y trazabilidad

Ver la tierra →

1. 3.1Los cuatro tipos de análisis: descriptivo, diagnóstico, predictivo y prescriptivoEn preparación
2. 3.2¿Qué pasó? Estadística descriptivaEn preparación
3. 3.3Análisis exploratorio de datos (EDA)En preparación
4. 3.4Visualización de datos: principios y herramientasEn preparación
5. 3.5Probabilidad para analizar datosEn preparación
6. 3.6¿Por qué pasó? Comparar grupos con evidenciaEn preparación
7. 3.7Experimentos A/BopcionalEn preparación
8. 3.8¿Qué pasará? De la tendencia a la predicciónEn preparación
9. 3.9¿Qué hacer? De la predicción a la decisiónEn preparación
10. 3.10Comunicar con datos: narrativa, informes y tablerosEn preparación
11. JefeInforme de una feria: distinguir evidencia, hipótesis y decisiones

Ver la tierra →

1. 4.1Introducción al aprendizaje supervisadoEn preparación
2. 4.2Plantear un problema de ML: objetivo, métrica y línea baseEn preparación
3. 4.3Conjuntos de entrenamiento, desarrollo y prueba; validación cruzada y fuga de datosEn preparación
4. 4.4Regresión linealEn preparación
5. 4.5Funciones de pérdidaEn preparación
6. 4.6Descenso de gradienteEn preparación
7. 4.6.1Variantes del descenso de gradienteopcionalEn preparación
8. 4.7Regresión lineal múltiple y vectorizaciónEn preparación
9. 4.8Escalado de variables, ingeniería de características y regresión polinomialEn preparación
10. 4.9Métricas de evaluación de modelos de regresiónEn preparación
11. 4.10Regresión con scikit-learn: pipelines y seguimiento de experimentos con MLflowEn preparación
12. JefeContrato de demanda de una panadería: línea base, validación y errores

Ver la tierra →

1. 5.1Regresión logísticaEn preparación
2. 5.2Función de pérdida de la regresión logísticaEn preparación
3. 5.3Matriz de confusión, métricas de clasificación y curvas ROC y PREn preparación
4. 5.4Datos desbalanceadosEn preparación
5. 5.5Subajuste, sobreajuste y el equilibrio sesgo-varianzaEn preparación
6. 5.6RegularizaciónEn preparación
7. 5.7Calibración de probabilidades y umbrales de decisión con costoEn preparación
8. JefeDetectar piezas defectuosas negociando falsas alarmas y omisiones

Ver la tierra →

1. 6.1Redes neuronales: de la neurona (una regresión logística) a la redEn preparación
2. 6.2Inferencia: propagación hacia adelante y vectorizaciónEn preparación
3. 6.3Funciones de activaciónEn preparación
4. 6.4Clasificación multiclase: softmax y entropía cruzadaEn preparación
5. 6.5Entrenamiento: retropropagaciónEn preparación
6. 6.6PyTorch esencial: entrena tu primera redEn preparación
7. 6.7Optimizadores y regularización: Adam, dropout y parada tempranaEn preparación
8. 6.8Redes convolucionales y aprendizaje por transferenciaopcionalEn preparación
9. JefeClasificar lecturas nuevas de sensores y contrastar la red con una solución sencilla

Ver la tierra →

1. 7.1Diagnosticar y mejorar un modelo: curvas de aprendizaje, sesgo-varianza y análisis de erroresEn preparación
2. 7.2Árboles de decisión: entropía, ganancia de información y árboles de regresiónEn preparación
3. 7.3Ensambles: bagging y bosques aleatoriosEn preparación
4. 7.4Gradient boosting: XGBoost, LightGBM y CatBoostEn preparación
5. 7.5Ajuste de hiperparámetros con OptunaEn preparación
6. 7.6Interpretabilidad: importancia por permutación y SHAPEn preparación
7. 7.7Equidad y sesgo en modelos (Fairlearn)En preparación
8. 7.8¿Árboles, redes o modelos fundacionales tabulares? Elegir el modeloEn preparación
9. 7.9Incertidumbre con predicción conforme (MAPIE)opcionalEn preparación
10. 7.10Otros clasificadores: k vecinos más cercanos y máquinas de vectores de soporteopcionalEn preparación
11. JefeLicitar un caso nuevo: comparar modelos, explicarlos y documentar límites

Ver la tierra →

1. 8.1Introducción al aprendizaje no supervisadoEn preparación
2. 8.2k-mediasEn preparación
3. 8.3Agrupamiento jerárquico y por densidad (DBSCAN y HDBSCAN)En preparación
4. 8.4Evaluar agrupamientosEn preparación
5. 8.5Reducción de dimensionalidad: PCAEn preparación
6. 8.6Detección de anomalías: modelo gaussiano e Isolation ForestEn preparación
7. 8.7Mapas en baja dimensión: t-SNE y UMAPopcionalEn preparación
8. 8.8Modelos de mezclas gaussianasopcionalEn preparación
9. JefeCartografiar una colección de sensores sin etiquetas y justificar agrupaciones

Ver la tierra →

1. 9.1Sistemas de recomendación: filtrado colaborativoEn preparación
2. 9.2Recomendación basada en contenidoEn preparación
3. 9.3Evaluar recomendadores y llevarlos a producciónopcionalEn preparación
4. 9.4Introducción al aprendizaje por refuerzoopcionalEn preparación
5. 9.5Q-learning y una introducción a su versión profundaopcionalEn preparación
6. JefeRecomendar un catálogo nuevo con preferencias y usuarios sin historial

Ver la tierra →

1. 10.1¿Qué es MLOps? Ciclo, niveles de madurez y deuda técnicaEn preparación
2. 10.2Del cuaderno al proyecto: estructura, pruebas y versiones de datos (DVC)En preparación
3. 10.3Registro de modelos y entrenamiento reproducible (MLflow)En preparación
4. 10.4Servir un modelo: API con FastAPI y contenedores con DockerEn preparación
5. 10.5Desplegar gratis (Hugging Face Spaces) con CI/CD en GitHub ActionsEn preparación
6. 10.6Monitoreo y reentrenamiento: deriva de datos y de concepto (Evidently)En preparación
7. 10.7Gobierno y documentación: model cards y la Ley de IA de la UEEn preparación
8. JefeOperar un predictor nuevo de suministros con comprobaciones y reversión

Ver la tierra →

1. 11.1Desembarco: comprender los datos antárticos y plantear un objetivo defendibleEn preparación
2. 11.2El censo de la costa desconocida: proyecto con Palmer Penguins (o propio)En preparación
3. 11.3La solicitud de otra estación: auditar la transferencia, comunicar y preparar portafolioEn preparación

Ver la tierra →