BIENVENIDA

Objetivo

Brindar al participante los elementos teóricos y prácticos básicos alrededor de la programación para el análisis de datos. Aprenderá a distinguir las diferentes soluciones a problemas que pueden resolverse con algoritmos de machine learning y aprenderá a usar el conjunto de librerías en Python más novedoso, estructuradas y ampliamente usadas para la manipulación, transformación y visualización de datos.

Instructores

ACT. ARTURO BRINGAS

LinkedIn: arturo-bringas Email:

Actuario egresado de la Facultad de Ciencias con maestría en Ciencia de Datos por el ITAM.

Se especializa en modelos predictivos y de clasificación de machine learning aplicado a seguros, banca, marketing, deportes, e-commerce y movilidad. Ha sido consultor Senior Data Scientist para empresas y organizaciones como GNP, El Universal, UNAM, la Organización de las Naciones Unidas Contra la Droga y el Delito (UNODC), Comisión Nacional de los Derechos Humanos (CNDH), Sinia, Geek-end, Invesmark, entre otros.

Ha contribuido en más de 30 proyectos de impacto nacional con diferentes institutos de investigación de la UNAM como el Instituto de Investigaciones Sociales, Instituto de Geografía, Instituto de Investigaciones Jurídicas, Programa Universitario de Estudios sobre la Ciudad, Fundación UNAM y Rectoría.

Actualmente es Data Scientist Senior Expert en la fábrica de inteligencia artifical en BBVA (AI Factory), es profesor de Ciencia de datos y Machine Learning en AMAT, y consultor estadístico de encuestas nacionales de investigación social realizadas por la UNAM.

Alcances del curso

Al finalizar este curso, el participante será capaz de consumir, manipular y visualizar información para resolver problemas de propósito general asociados a los datos. Apenderá a implementar diferentes algoritmos de machine learning y mejorar su desempeño predictivo en problemas de clasificación, regresión y segmentación.

Requisitos:

  • Computadora con al menos 8Gb Ram
  • Instalar Python con versión 3.11
  • Instalar un IDE preferido. Jupyter, RStudio, Spyder, PyCharm, VSCode, Colab, Positron

Temario:

1. Introducción a Ciencia de Datos

  • Machine Learning, Bigdata, BI, AI y CD
  • Objetivo de ciencia de datos
  • Requisitos y aplicaciones
  • Tipos de algoritmos

2. Manipulación de datos

  • Importación de tablas
  • Manipulación de tablas
  • Transformación de estructuras

3. Concepto de Machine Learning

  • Machine learning
  • Análisis supervisado
  • Sesgo y varianza
  • Partición de datos
  • Preprocesamiento e ingeniería de datos

4. Algoritmos de Machine Learning

  • Regresión Lineal
  • Métricas de error
  • Regresión logística
  • Métricas de error
  • KNN
  • Árbol de decisión
  • Random Forest
  • Comparación de modelos

Duración y evaluación del curso

  • El programa tiene una duración de 36 hrs.

  • Las clases serán impartidas los días sábado, de 9:00 am a 12:00 pm

  • Serán asignados ejercicios que el participante deberá resolver entre una semana y otra.

  • Al final del curso se solicitará un proyecto final, el cual deberá ser entregado para ser acreedor a la constancia de participación.

Recursos y dinámica de clase

En esta clase estaremos usando:

Asesorías

Los profesores se encuentran en la mejor disposición de asistir las dudas de clase de todos los alumnos. El grupo de whatsapp ha sido creado para compartir información relevante al curso y exponer dudas y soluciones que puedan ser de interés de todo el grupo.

Los alumnos podrán hacer uso del canal de comunicación para externar sus dudas de clase durante el tiempo que dure el curso. Los profesores se comprometen a responder en el transcurso del día las preguntas realizadas que sean relevantes con la clase. Las respuestas se realizarán de lunes a viernes en un horario de 10:00am a 8:00pm.

¡¡ AVISO !!

  • No se atenderán dudas que tengan que ver con otros proyectos o asignaciones laborales de los estudiantes en sus respectivos ambientes de trabajo.

  • Se invita a los estudiantes a que las dudas realizadas en clase sean relevantes a la clase y los ejemplos a resolver sean de interés para todo el alumnado.

Nota: En caso de requerir consultoría especializada o particular a un tema de interés, se deberá contactar al área administrativa para solicitar la cotización por el servicio correspondiente. https://es.r4ds.hadley.nz/ ## Bibliografía {-}

Hands On Machine Learning with Scikit-Learn, Keras and TensorFlow
Autor: Aurélien Géron
Editorial: O´REILLY
Año: 2019
ISBN: 978-1-492-03264-9

An Introduction to Statistical Learning
Autor: Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, Jonathan Taylor
Editorial: Springer
Año: 2023
The Elements of Statistical Learning
Autor: Trevor Hastie, Robert Tibshirani, Jerome Friedman
Editorial: Springer
Año: 2008
ISBN: 978-0-387-84857-0
Mastering Machine Learning Algorithms
Autor: Trevor Hastie, Robert Tibshirani, Jerome Friedman
Editorial: Packt
Año: 2018
ISBN: 978-1-83882-029-9
Data Science for Business
Autor: Foster Provost, Tom Fawcett
Editorial: O´REILLY
Año: 2013
ISBN: 978-1-449-36132-7
Estadística práctica para ciencia de datos con R y Python
Autor: Peter Bruce, Andrew Bruce y Peter Gedeck
Editorial: O´REILLY
Año: 2022
ISBN: 978-84-267-3443-3
R para Ciencia de Datos
Autor: Hadley Wickham & Garrett Grolemound
Editorial: O´REILLY
Año: 2023
Practical NonParametric Statistics
Autor: W. J. Conover
Editorial: Wiley
Año: 1999
ISBN: 978-0-471-16068-7
Introduction to Linear Regression Analysis
Autor: Douglas C. Montgomery, Elizabeth A. Peck, G. Geoffrey Vining
Editorial: Wiley
Año: 2012
ISBN: 978-0-470-54281-1
Dive into Deep Learning
Autor: Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J. Editorial: Cambridge University Press
Año: 2023
Reinforcement Learning
Autor: Richard S. Sutton, Andrew G. Barto
Editorial: The MIT Press
Año: 2018
ISBN: 978-0-262-19398-6
Learning Python
Autor: Mark Lutz
Editorial: O´REILLY
Año: 2013
ISBN: 978-1-449-35573-9