Inteligencia Artificial

Lleva la minería de datos del ejercicio de clase al proyecto real. Es un curso de nivel de máster en ingeniería y la continuación del curso Minería de datos: da por conocidos los algoritmos clásicos y se centra en el flujo de trabajo profesional, de la preparación de datos sin fugas y la validación rigurosa a los ensembles modernos, las series temporales y la interpretabilidad de los modelos.

Qué incluye: 8 temas y 5 entregas evaluables

• Módulo 1 · Preparación y evaluación — Tema 1 El proyecto de minería de datos y la preparación de datos · Tema 2 Reducción de dimensionalidad · Tema 3 Validación avanzada y ajuste de modelos · Práctica 1: preparación de datos y modelo base
• Módulo 2 · Aprendizaje no supervisado — Tema 4 Clustering avanzado y detección de anomalías · Práctica 2: segmentación y anomalías
• Módulo 3 · Modelos supervisados avanzados — Tema 5 Máquinas de vectores soporte y métodos kernel · Tema 6 Ensembles modernos: random forest, boosting y stacking · Práctica 3: comparativa de modelos supervisados
• Módulo 4 · Series temporales e interpretabilidad — Tema 7 Series temporales · Práctica 4: predicción de series temporales · Tema 8 Interpretabilidad y aprendizaje automático responsable
• Cierre — Entrega 5: análisis crítico de un artículo científico

Cada tema trae un PDF propio, un notebook de entrenamiento con ejercicios autocorregibles y su solución, y una autoevaluación que desbloquea lo siguiente.

Trabajarás en Python con pandas, scikit-learn, XGBoost, LightGBM, statsmodels, imbalanced-learn, SHAP y UMAP, en local o en Google Colab (sin necesidad de GPU). Dedicación estimada: 124 horas de temas y entregas, más una hora de presentación (unas 10 horas semanales durante 13 semanas). Requisitos: haber cursado Minería de datos o tener formación equivalente (algoritmos clásicos de clasificación y clustering, evaluación de modelos y Python con pandas y scikit-learn), además de estadística, álgebra lineal y cálculo de nivel universitario.

Aprende a extraer conocimiento útil de los datos con las técnicas fundamentales de la minería de datos. Es un curso de nivel de grado en ingeniería: cada algoritmo se explica desde dentro, se resuelve a mano con ejemplos pequeños y se programa en Python, de los clasificadores por vecindad, los árboles de decisión y los modelos bayesianos a la combinación de clasificadores, el clustering, los algoritmos genéticos y las redes neuronales.

Qué incluye: 10 temas y 4 entregas evaluables

• Módulo 1 · Fundamentos y clasificación — Tema 1 Introducción a la minería de datos · Tema 2 Clasificación con k vecinos más próximos · Tema 3 Evaluación de clasificadores · Tema 4 Árboles de decisión · Práctica 1: clasificación y evaluación
• Módulo 2 · Modelos probabilísticos y combinación — Tema 5 Clasificadores bayesianos · Tema 6 Combinación de clasificadores · Tema 7 Selección de variables · Práctica 2: modelos bayesianos, combinación y selección de variables
• Módulo 3 · Aprendizaje no supervisado y otros paradigmas — Tema 8 Algoritmos de clustering · Tema 9 Algoritmos genéticos · Tema 10 Introducción a las redes neuronales · Práctica 3: clustering y optimización genética
• Cierre — Proyecto final: un proyecto completo de minería de datos

Cada tema trae un PDF propio, un notebook de entrenamiento con ejercicios autocorregibles y su solución, y una autoevaluación que desbloquea lo siguiente.

Trabajarás en Python con pandas y scikit-learn, en local o en Google Colab (sin necesidad de GPU). Dedicación estimada: 132 horas de trabajo, más una hora de presentación (unas 10 horas semanales durante 14 semanas). Requisitos: programación básica en Python, y estadística, probabilidad y álgebra lineal de primeros cursos de grado. Su continuación natural es el curso Minería de datos avanzada, de nivel de máster.

Aprende a construir agentes que toman decisiones secuenciales y mejoran con la experiencia. El curso va de los fundamentos del aprendizaje por refuerzo (procesos de decisión de Markov, funciones de valor y ecuaciones de Bellman) a los métodos de deep reinforcement learning que se usan hoy: DQN, gradientes de política, actor-crítico y PPO.

Qué incluye: 11 temas y 4 entregas evaluables

• Módulo 1 · Fundamentos — Tema 1 Introducción al aprendizaje por refuerzo · Tema 2 Entornos de simulación con Gymnasium · Tema 3 Procesos de decisión de Markov
• Módulo 2 · Soluciones tabulares — Tema 4 Programación dinámica · Tema 5 Monte Carlo · Tema 6 Diferencia temporal · Tema 7 Métodos de n pasos · Práctica 1: métodos tabulares en Blackjack
• Módulo 3 · Soluciones aproximadas y deep RL — Tema 8 Soluciones aproximadas · Tema 9 Deep Q-Networks · Tema 10 Gradientes de política · Tema 11 Actor-crítico · Práctica 2: deep RL en Space Invaders
• Cierre — Entrega 3: análisis crítico de un artículo científico · Proyecto final: agente para Lunar Lander

Cada tema trae un PDF propio, un notebook de entrenamiento con ejercicios autocorregibles y su solución, y una autoevaluación que desbloquea el tema siguiente.

Trabajarás en Python con Gymnasium y PyTorch, en local o en Google Colab. Dedicación estimada: 140 horas (unas 10 horas semanales durante 14 semanas). Requisitos: Python y numpy, probabilidad básica y cálculo; para el módulo 3, nociones de redes neuronales.

Aprende a diseñar, entrenar y evaluar redes neuronales profundas. El curso va de los fundamentos del aprendizaje profundo (la neurona artificial, la retropropagación, los optimizadores y la regularización) a las arquitecturas que se usan hoy en visión, lenguaje y generación de contenido: redes convolucionales, redes recurrentes, transformers y modelos generativos.

Qué incluye: 7 temas y 5 entregas evaluables

• Módulo 1 · Fundamentos — Tema 1: Introducción al deep learning · Tema 2: Redes neuronales artificiales
• Módulo 2 · Visión por computador — Tema 3: Fundamentos de las redes convolucionales · Tema 4: Arquitecturas y aplicaciones de las CNN · Práctica 1: Redes densas y convolucionales con Keras
• Módulo 3 · Secuencias y lenguaje — Tema 5: Redes neuronales recurrentes · Práctica 2: Redes recurrentes · Tema 6: Transformers y mecanismos de atención · Práctica 3: Transformers
• Módulo 4 · Modelos generativos — Tema 7: Modelos generativos (autocodificadores, VAE, GAN y difusión) · Práctica 4: Modelos generativos
• Cierre — Entrega 5: Análisis crítico de un artículo

Cada tema trae un PDF propio, un notebook de entrenamiento con ejercicios autocorregibles y su solución, y una autoevaluación que desbloquea lo siguiente.

Trabajarás en Python con Keras 3 sobre TensorFlow, en local o en Google Colab (con GPU gratuita, recomendable para las prácticas). Dedicación estimada: 133 horas (unas 10 horas semanales durante 14 semanas). Requisitos: Python y numpy, álgebra lineal, cálculo y probabilidad básicos, y nociones de aprendizaje automático.