Inteligencia Artificial

CursoIntermedio

Machine Learning y Deep Learning: Fundamentos y Aplicaciones

Entiende de verdad cómo aprende un modelo: qué distingue el aprendizaje supervisado del no supervisado, cómo se preparan los datos, por qué un modelo que acierta en el entrenamiento puede fallar en producción, y qué hay dentro de una red neuronal. Nivel intermedio, sin exigir programación.

Definición

Entre saber que la inteligencia artificial existe y poder construirla hay un tramo que casi nadie explica bien: cómo aprende realmente un modelo. Este curso cubre ese tramo. Trabaja los tres tipos de aprendizaje —supervisado, no supervisado y por refuerzo— y qué problema resuelve cada uno; la preparación de datos, que es donde se define el techo de cualquier proyecto y donde se va la mayor parte del tiempo real; el entrenamiento y, sobre todo, la evaluación, porque interpretar métricas es lo que separa a quien puede juzgar un modelo de quien depende de que otro se lo explique. Dedica un módulo a por qué un modelo que acierta con sus propios datos puede fallar en producción, que es el error más caro y más frecuente del campo. Y entra a las redes neuronales y el aprendizaje profundo con la profundidad suficiente para entender qué las hizo posibles y en qué se diferencian del machine learning clásico. El enfoque es conceptual y aplicado: se interpretan modelos y resultados, con notebooks disponibles para quien quiera ver el código, sin que programar sea requisito.

Público objetivo

Analistas de datos que quieren pasar de describir datos a entender cómo se construyen modelos predictivos.
Profesionales de tecnología que trabajan cerca de equipos de datos y necesitan conversar con ellos de igual a igual.
Equipos de innovación y transformación digital que evalúan propuestas técnicas y deben juzgarlas por su cuenta.
Personas que ya tienen los fundamentos de inteligencia artificial y quieren avanzar hacia el terreno técnico.
Profesionales que están evaluando especializarse en ciencia de datos y quieren entender el campo antes de comprometer tiempo y dinero.
Para quién NO es: No es un curso de programación ni un bootcamp de ciencia de datos: no se desarrolla software ni se despliegan modelos en producción. Tampoco es introductorio — si nunca has trabajado con datos, conviene partir por Fundamentos de Inteligencia Artificial.

Objetivos

Comprender los principios del aprendizaje automático y profundo, y desarrollar criterio para evaluar cómo se construyen, se miden y fallan las soluciones basadas en datos.

Distinguir aprendizaje supervisado, no supervisado y por refuerzo, y determinar cuál corresponde a un problema concreto antes de elegir una herramienta.
Comprender el ciclo completo de un modelo: preparación de datos, entrenamiento, validación y evaluación, y por qué el primer paso consume la mayor parte del esfuerzo real.
Reconocer los algoritmos más usados de regresión, clasificación y agrupamiento, y qué tipo de problema resuelve cada familia.
Interpretar métricas de evaluación con criterio: por qué una exactitud alta puede ocultar un modelo inservible y qué métrica corresponde según lo que está en juego.
Explicar qué es el sobreajuste, por qué es el error más frecuente y costoso, y qué técnicas lo previenen.
Explicar la estructura y el funcionamiento de una red neuronal, y qué diferencia al aprendizaje profundo del machine learning clásico.
Analizar aplicaciones reales en lenguaje, visión, recomendación y predicción, reconociendo qué técnica hay detrás.
Identificar los riesgos de sesgo y de falta de explicabilidad, y definir una ruta de especialización posterior.

Resultados de aprendizaje

Explicar con precisión cómo aprende un modelo y qué significa que 'funcione'.
Relacionar un problema de negocio con el tipo de aprendizaje y la familia de algoritmos que corresponde.
Interpretar las métricas de un modelo y detectar cuándo un buen resultado reportado no es un buen modelo.
Reconocer sobreajuste y fuga de datos en la forma en que un proyecto fue construido.
Distinguir cuándo un problema requiere aprendizaje profundo y cuándo un modelo clásico es mejor decisión.
Evaluar una propuesta técnica de un equipo o proveedor formulando las preguntas correctas.
Definir una ruta de especialización posterior según el tipo de trabajo que se quiere hacer.

Temario

1. Qué problema resuelve el aprendizaje automático

De las reglas al aprendizaje: por qué hay problemas que no se pueden programar con condiciones explícitas.
Los tres grandes tipos de problema: clasificación, regresión y agrupamiento, con ejemplos reconocibles de cada uno.
Aprendizaje supervisado, no supervisado y por refuerzo: qué necesita cada uno y para qué sirve.
Cómo se traduce un objetivo de negocio en un problema de aprendizaje: el paso que más proyectos arruina cuando se hace mal.

2. Preparación de datos: donde se define el techo

Calidad de datos: valores faltantes, duplicados, formatos inconsistentes y su efecto directo en el resultado.
Transformación de variables: normalización, codificación de categorías y por qué el modelo no entiende texto tal cual.
Ingeniería de características: cómo el conocimiento del dominio suele aportar más que un algoritmo más sofisticado.
División de datos en entrenamiento, validación y prueba, y por qué el orden y la independencia importan.
Fuga de datos: cómo información del futuro se cuela en el entrenamiento y produce resultados espectaculares que no se sostienen.

3. Aprendizaje supervisado

Regresión: predecir valores continuos, desde la regresión lineal hasta modelos de árboles.
Clasificación: predecir categorías, con regresión logística, árboles de decisión y bosques aleatorios.
Cómo un modelo 'aprende': la idea de función de pérdida y de ajuste iterativo, sin desarrollo matemático.
Validación durante el entrenamiento: para qué sirve el conjunto de validación y por qué no se toca el de prueba.
Comparar modelos: cómo elegir entre alternativas con criterios explícitos.

4. Aprendizaje no supervisado

Agrupamiento: encontrar grupos que nadie etiquetó, y cómo se decide cuántos grupos hay.
Reducción de dimensionalidad: para qué sirve y por qué a veces menos variables dan mejores resultados.
Detección de patrones y anomalías: aplicaciones en fraude, fallas y control.
El problema de la evaluación: cómo se sabe si un resultado no supervisado es bueno, si no hay respuesta correcta.

5. Evaluación: leer un modelo con criterio

Exactitud, precisión, exhaustividad y F1: qué mide cada una y por qué la exactitud engaña con datos desbalanceados.
Matriz de confusión: cómo leerla y por qué un falso positivo y un falso negativo casi nunca cuestan lo mismo.
Sobreajuste y subajuste: qué son, cómo se ven en las curvas de aprendizaje y cómo se corrigen.
Validación cruzada: por qué una sola partición de datos puede llevar a conclusiones equivocadas.
Cómo se degrada un modelo en producción y por qué el desempeño del día del despliegue no se mantiene solo.

6. Redes neuronales y aprendizaje profundo

De la neurona artificial a la red: estructura de capas y qué hace cada una.
Cómo se entrena una red: propagación hacia adelante y ajuste hacia atrás, explicados con intuición.
Qué hizo posible el aprendizaje profundo: datos, capacidad de cómputo y arquitecturas nuevas.
Arquitecturas principales: redes convolucionales para imágenes, recurrentes y transformers para secuencias y lenguaje.
Cuándo NO usar aprendizaje profundo: por qué un modelo clásico suele ser mejor decisión con datos tabulares y volúmenes moderados.

7. Aplicaciones y qué técnica hay detrás

Procesamiento de lenguaje: clasificación de texto, extracción de información y modelos de lenguaje.
Visión por computador: reconocimiento, detección y sus fallas características.
Sistemas de recomendación: cómo funcionan y por qué refuerzan comportamientos existentes.
Predicción y series de tiempo: qué las hace distintas y por qué el error se acumula.
Reconocer, frente a una aplicación real, qué técnica probablemente hay detrás.

8. Riesgos y ruta posterior

Sesgo: cómo entra desde los datos, por qué el modelo lo amplifica y cómo se audita.
Explicabilidad: la tensión entre desempeño e interpretabilidad, y cuándo no se puede ceder.
Reproducibilidad: por qué un modelo que nadie puede volver a entrenar es un riesgo operacional.
Rutas de especialización: qué camino tomar según se quiera analizar, construir o gobernar modelos.

Metodología y materiales

Metodología

Explicación conceptual apoyada en intuición visual, sin desarrollo matemático formal.
Ejemplos visuales de cómo un modelo separa, agrupa o predice, para ver el comportamiento antes de nombrarlo.
Interpretación de modelos ya entrenados: leer resultados, métricas y errores como lo haría quien debe aprobarlos.
Notebooks opcionales para quien quiera ver el código detrás de cada concepto, explicados línea a línea.
Análisis de casos donde un modelo falló, para reconocer las señales antes de que ocurra.

Materiales incluidos

Material de apoyo con los conceptos, las familias de algoritmos y las métricas de evaluación.
Notebooks opcionales con ejemplos ejecutables de cada técnica, explicados línea a línea.
Glosario del campo, para leer documentación técnica y propuestas sin depender de terceros.
Pauta de evaluación de un modelo: qué preguntar y qué revisar antes de aprobarlo.

Evaluación y certificación

Evaluación del curso

Ejercicios de selección e interpretación.

Certificados

Certificado de participación Passus

Condiciones de inscripción

Se dicta online en vivo o presencial. En cursos abiertos las clases siguen el calendario publicado por Passus; en cursos cerrados, la modalidad, el horario y la fecha se acuerdan con la institución o empresa.

Requisitos

Se recomiendan conocimientos básicos de datos o tecnología: haber trabajado con planillas, bases de datos o reportes.
No requiere programación: los notebooks son opcionales y se explican paso a paso.
No exige formación matemática avanzada; los conceptos se desarrollan con intuición visual.

Preguntas frecuentes

¿Necesito saber programar?

No. Los notebooks son opcionales y se explican paso a paso. El curso trabaja la comprensión conceptual y la interpretación de modelos, no el desarrollo. Quien quiera ver el código lo tiene disponible; quien no, sigue el curso completo sin él.

¿Necesito base matemática?

No avanzada. Los conceptos se desarrollan con intuición visual en vez de formulación matemática. Se explica qué hace un modelo y por qué, no cómo se demuestra.

¿Qué diferencia hay con Fundamentos de Inteligencia Artificial?

Fundamentos cubre el panorama: qué es la IA, dónde sirve, qué riesgos tiene, para decidir sobre ella. Este curso entra en cómo funciona por dentro: tipos de aprendizaje, preparación de datos, métricas, sobreajuste y redes neuronales. Es nivel intermedio y asume familiaridad con datos.

¿Es un bootcamp de ciencia de datos?

No. No se desarrolla software ni se despliegan modelos en producción. Es un curso de comprensión y criterio técnico: entender cómo se construye y se evalúa un modelo para poder juzgarlo, no para construirlo desde cero.

¿Qué me llevo concretamente?

Criterio para evaluar un modelo: relacionar un problema con el tipo de aprendizaje correcto, interpretar métricas y detectar cuándo un buen resultado reportado esconde un mal modelo, reconocer sobreajuste y fuga de datos, y saber cuándo el aprendizaje profundo no es la respuesta.

¿Sirve para evaluar propuestas de proveedores o de equipos internos?

Sí, es uno de sus usos más directos. Después del curso puedes preguntar cómo se dividieron los datos, qué métrica se usó y por qué, cómo se controló el sobreajuste y qué pasa cuando el modelo se degrada. Son las preguntas que distinguen una propuesta seria de una presentación.

¿Qué diferencia hay con Ciencia de Datos para IA?

Este curso se concentra en cómo aprenden los modelos: algoritmos, entrenamiento, evaluación y redes neuronales. Ciencia de Datos cubre el ciclo completo del trabajo con datos, incluida la obtención, la exploración y la comunicación de resultados. Se complementan.

¿Entrega certificación oficial?

No incluye examen de certificación externo. Passus entrega certificado de participación al finalizar.

¿Por qué se dedica un módulo entero a la evaluación?

Porque interpretar métricas es lo que separa a quien puede juzgar un modelo de quien depende de que otro se lo explique. Una exactitud del 95% puede describir un modelo inservible, y el sobreajuste —un modelo que acierta con sus propios datos y falla en producción— es el error más frecuente y más caro del campo.

¿Se puede dictar para mi equipo?

Sí, en modalidad cerrada. En ese formato los ejemplos y los casos de evaluación pueden ajustarse al tipo de datos y de problemas que enfrenta el equipo.