Módulo 1

Fundamentos de Machine Learning

Aplicaciones prácticas en la vida cotidiana

Historia y evolución del Machine Learning

Tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo

Desafíos en Machine Learning

Herramientas y entornos de desarrollo para ML

Casos de éxito en la industria

Tendencias emergentes en el campo

Módulo 2

Preprocesamiento de Datos y Exploración

Recopilación y limpieza de datos

Manejo de datos faltantes y outliers

Transformación de variables

Análisis exploratorio de datos (EDA)

Visualización de datos con bibliotecas modernas

Feature engineering y selección de características

Integración de datos de diversas fuentes

Estrategias para la normalización y estandarización de datos

Módulo 3

Modelos Supervisados

Regresión lineal y logística

Máquinas de vectores de soporte (SVM)

Árboles de decisión y bosques aleatorios

Métodos ensemble

Redes neuronales y deep learning

Algoritmos de clasificación avanzados

Evaluación de modelos de clasificación

Aplicaciones de modelos supervisados en la industria

Módulo 4

Modelos No Supervisados

Clustering: K-Means, DBSCAN, Hierarchical

Análisis de componentes principales (PCA)

Algoritmos de reducción de dimensionalidad

Detección de anomalías

Aprendizaje semi-supervisado

Evaluación de modelos no supervisados

Casos prácticos de clustering en grandes conjuntos de datos

Aplicaciones en el mundo real

Módulo 5

Procesamiento de Lenguaje Natural (NLP)

Tokenización y stemming

Modelos de lenguaje y word embeddings

Técnicas avanzadas en NLP

Análisis de sentimientos

Traducción automática

Extracción de información

Desarrollo de aplicaciones NLP

Módulo 6

Despliegue y Ética en Machine Learning

Estrategias de implementación y despliegue

Plataformas en la nube para ML

Monitoreo y mantenimiento de modelos en producción

Aspectos éticos en Machine Learning

Consideraciones legales y regulatorias

Explicabilidad de modelos

Bias y equidad en algoritmos

Perspectivas futuras y responsabilidad social