Inteligencia Artificial Y Machine Learning

1. Desarrollador de software - Funciones: Desarrollar y mantener aplicaciones y sistemas que facilitan la automatización de procesos; integrar nuevas tecnologías, como inteligencia artificial, en soluciones de software. - Necesidad de esta capacitación: aprender a implementar modelos de Machine Learning dentro de las aplicaciones que desarrollan, ya sea para mejorar el procesamiento de datos o automatizar tareas complejas. 2. Analista de Datos - Funciones: Recopilar, organizar y analizar grandes volúmenes de datos empresariales; generar reportes y visualizaciones para la toma de decisiones estratégicas; identificar tendencias, patrones y oportunidades a través de análisis descriptivos y predictivos. - Necesidad de esta capacitación: Esta capacitación les permitirá crear modelos que automaticen el análisis de datos, mejoren la precisión de sus predicciones y generen valor estratégico para la empresa. 3. Ingeniero de Automatización - Funciones: Diseñar, implementar y mantener sistemas qu

• Implementar técnicas de Machine Learning no supervisado para la identificación de patrones y agrupamientos en grandes volúmenes de datos empresariales
• Preparar y transformar datos para la implementación de algoritmos de Machine Learning, utilizando técnicas de preprocesamiento y limpieza de datos
• Aplicar técnicas de Machine Learning supervisado en problemas empresariales, mediante la implementación de modelos de clasificación y regresión utilizando Python
• Diseñar un proyecto de Machine Learning aplicado a un problema real del entorno empresarial, utilizando las técnicas y herramientas aprendidas durante el curso

• - Conocimientos previos en programación: Los participantes deberán tener un manejo intermedio de lenguajes de programación, preferiblemente Python, ya que es el lenguaje más utilizado en Machine Learning y la inteligencia artificial. - Conocimientos básicos de estadística y álgebra lineal: Será necesario un conocimiento mínimo de conceptos estadísticos y matemáticos, como regresión, distribuciones, matrices y vectores, para comprender el funcionamiento de los algoritmos de Machine Learning. - Experiencia previa en el manejo de datos: Los participantes deberán tener experiencia en el trabajo con bases de datos o análisis de grandes volúmenes de datos, ya que la mayor parte de las tareas de Machine Learning involucran la manipulación de datos. - Conocimiento básico de herramientas de análisis de datos: Será preferible, aunque no obligatorio, que los participantes hayan trabajado con herramientas como Excel, SQL, o plataformas de visualización de datos (PowerBI, Tableau)

¿QUÉ HARÁ? - Aprendizaje Basado en Proyectos (ABP): Los participantes trabajarán en un proyecto de Machine Learning que aborde un problema real relacionado con su entorno laboral. Este proyecto se desarrollará de manera progresiva a lo largo del curso. - Resolución de problemas: Los participantes resolverán ejercicios prácticos de clasificación, regresión, clustering, y preprocesamiento de datos, aplicando los conocimientos adquiridos. - Simulaciones: Se utilizarán simulaciones de problemas empresariales con datos reales o simulados, donde los participantes deberán tomar decisiones y predecir resultados utilizando los modelos de Machine Learning. - Aprendizaje colaborativo: Los participantes trabajarán en grupos para desarrollar soluciones a problemas de Machine Learning complejos. ¿CÓMO LO HARÁ? - Se proporcionará un problema o conjunto de problemas para resolver con Machine Learning, sobre los cuales los participantes diseñarán, desarrollarán y optimizarán modelos aplicables a

Aprendizaje esperado 1: - Criterio de evaluación: El participante debe ser capaz de desarrollar correctamente un modelo supervisado que resuelva un problema empresarial propuesto. - Instrumento de evaluación: Rúbrica de proyecto individual - Descripción: La rúbrica evaluará el proceso de selección de datos, preprocesamiento, implementación del modelo, ajuste del mismo y la correcta interpretación de las métricas de evaluación. - Estándar de medición: La evaluación se calificará de 1 a 7, donde 7 indica un desempeño excelente y 1 un desempeño deficiente. El estándar para aprobar será obtener al menos un 4.0. Aprendizaje esperado 2 - Criterio de evaluación: El participante debe ser capaz de aplicar correctamente un algoritmo no supervisado (como K-means o PCA) para identificar patrones y realizar agrupamientos en un conjunto de datos sin etiquetas. - Instrumento de evaluación: Estudio de caso con alternativas - Descripción Deberán seleccionar y aplicar el algoritmo adecuado y re