Reconocimiento
de Patrones
Aprendizaje automático con fundamentos: de la teoría de la generalización a los modelos en producción.
Plantear, entrenar, evaluar y justificar modelos de aprendizaje automático para problemas reales: entender por qué funcionan, cuándo pueden fallar y cómo medir su desempeño con honestidad.
- Teoría. Generalización, sesgo y varianza, regularización y validación.
- Modelos. Lineales, árboles, ensambles y redes neuronales: elegirlos, compararlos y justificar la elección.
- Exploración. Agrupamiento y reducción de dimensión para entender los datos.
- Práctica. Flujos reproducibles, desde la preparación de datos hasta el despliegue y el monitoreo.
Ocho unidades, dieciséis semanas
- 01Introducción y flujo de trabajoQué significa aprender de datos, el ciclo de vida de un modelo y cómo evaluar sin engañarnos.Paradigmas de aprendizaje · Riesgo empírico y ERM · Fuga de información · Ética y sesgo · pandas · Ingeniería de atributos y pipelines
- 02Aprendizaje no supervisadoEncontrar estructura sin etiquetas: agrupamiento, mezclas y reducción de dimensión.k-medias · Agrupamiento jerárquico · DBSCAN · Mezclas gaussianas y EM · PCA · t-SNE y UMAP
- 03Fundamentos del aprendizaje supervisadoPor qué es posible generalizar y cómo medirlo con honestidad.Hoeffding y dimensión VC · Sesgo y varianza · Regularización · Validación cruzada · Métricas, ROC y calibración
- 04Modelos linealesLa familia de modelos más útil y mejor entendida, desde mínimos cuadrados hasta los kernels.Regresión lineal · Regresión logística · GLM · LDA y Bayes ingenuo · SVM y kernels
- 05Árboles y ensamblesLos modelos que dominan los datos tabulares, y cómo explicar lo que hacen.Árboles de decisión · Bagging y bosques aleatorios · Boosting · XGBoost y LightGBM · SHAP e interpretabilidad
- 06Redes neuronalesDel perceptrón multicapa a la atención, con PyTorch.MLP y diferenciación automática · Optimización · Redes convolucionales · Transferencia · RNN, atención y transformers
- 07Series de tiempoPronosticar respetando el orden del tiempo.Validación temporal · AR y ARIMA · Atributos rezagados con boosting · Modelos neuronales
- 08MLOps y despliegueLlevar un modelo a producción y mantenerlo vivo.MLflow · Registro de modelos · Servicio con FastAPI · Monitoreo y drift
Cada unidad incluye
Presentaciones
Web e interactivas, con ecuaciones, figuras y experimentos que puedes manipular en clase.
Libretas de ejemplo
Se abren en Google Colab con un clic y corren igual en cualquier computadora.
Laboratorios
Libretas para completar y practicar, con verificación automática de tus respuestas. No cuentan para la calificación.
Autoevaluación
Cuestionarios breves al final de cada unidad para comprobar que entendiste los conceptos.
No necesitas instalar nada: basta una cuenta de Google para abrir las libretas en Colab. Si prefieres trabajar en tu máquina, consulta Recursos.