Machine Learning
Modelos predictivos sobre problemas reales del negocio. El foco no está en el algoritmo de moda, sino en saber si el problema se resuelve con un modelo y si el modelo sirve para decidir.
Plan de clases · 13 clases · 26 h
Cada clase de 2 h: 40′ de concepto sobre un caso · 60′ de práctica sobre material propio · 20′ de puesta en común.
-
01
Cuándo un problema es de machine learning
-
02
Datos, variables y fugas de información
-
03
Regresión: primer modelo
-
04
Entrenamiento, validación y test: por qué tu modelo miente
-
05
Clasificación: primer modelo
-
06
Métricas de evaluación y desbalance
-
07
Árboles y ensambles
-
08
Selección de variables y ajuste de hiperparámetros
-
09
Interpretabilidad
-
10
Series temporales con ML
-
11
Puesta en producción del modelo
-
12
Monitoreo, deriva, ética y límites
-
13
Proyecto integrador
-
IA aplicada al programa
Modelos de lenguaje para acelerar la exploración, proponer variables y documentar experimentos. Y por qué la validación no se delega.
Qué va a poder hacer tu equipo
- Definir si un problema se resuelve con machine learning o no
- Entrenar y validar un modelo sin engañarse con las métricas
- Explicarle al negocio qué hace el modelo y qué no puede hacer
- Detectar cuándo un modelo en producción dejó de servir
Qué se lleva
- Un modelo entrenado sobre datos reales de la empresa
- Informe de validación con métricas y limitaciones
- Plan de monitoreo y reentrenamiento
- Certificado de Black Cat Data
Cada clase de 2 h: 40′ de concepto sobre un caso, 60′ de práctica de cada participante sobre su propio material y 20′ de puesta en común. Con espacios 1:1 con un tutor y tres meses de seguimiento después del cierre.
El temario se ajusta en el diagnóstico. Los módulos se recortan, se profundizan o se combinan según el nivel real del equipo y los procesos de tu empresa.