¿Qué voy a aprender?

1. Fundamentos de Python: Historia, filosofía, instalación y configuración del entorno de desarrollo.
2. Conceptos básicos de programación: Variables, tipos de datos, operadores y expresiones.
3. Control de flujo en Python: Estructuras condicionales y bucles.
4. Manejo de estructuras de datos: Listas, tuplas, diccionarios y conjuntos.
5. Programación orientada a objetos en Python: Clases, objetos, herencia y polimorfismo.
6. Introducción a la Inteligencia Artificial: Definiciones, aplicaciones y tendencias actuales.
7. Fundamentos del Aprendizaje Automático: Tipos de aprendizaje (supervisado, no supervisado, por refuerzo).​
8. Preprocesamiento de datos: Limpieza, transformación y normalización de datos.​
9. Implementación de algoritmos de Machine Learning: Regresión lineal, regresión logística, árboles de decisión, entre otros.​
10. Evaluación y validación de modelos: Métricas de rendimiento y técnicas de validación cruzada.​
11. Uso de bibliotecas especializadas: Familiarización con herramientas como NumPy, Pandas, Scikit-learn y Matplotlib. ​
12. Desarrollo de modelos de aprendizaje supervisado y no supervisado: Aplicación práctica en casos reales. ​
13. Optimización y regularización de modelos: Técnicas para mejorar el rendimiento y evitar el sobreajuste. ​
14. Implementación de pipelines de Machine Learning: Automatización del flujo de trabajo en proyectos de aprendizaje automático. ​
15. Desarrollo de proyectos prácticos: Aplicación de los conocimientos adquiridos en proyectos reales para consolidar el aprendizaje. ​

¿A quiénes va dirigido el curso?

• Profesionales y estudiantes de ingeniería, informática, estadística y áreas afines
• Analistas de datos y científicos de datos
• Desarrolladores de software
• Investigadores y académicos interesados
• Emprendedores y profesionales