AP04-26DMachine Learning y Visión Artificial
Visión artificial
Python y sus librerías de datos, OpenCV, PyTorch y TensorFlow; visión por computador clásica y avanzada, y el diseño de un sistema de visión artificial real.
PythonGoogle ColabOpenCV+6
Lo que aprenderás
- Preparar datos tabulares con imputación, escalado y codificación de variables categóricas.
- Encadenar preprocesado y modelo en un Pipeline y en un ColumnTransformer sin fugas de información.
- Entrenar y comparar regresión lineal, árboles, random forest y gradient boosting sobre el mismo problema.
- Elegir métricas según el coste del error: precisión, exhaustividad, F1, MAE o RMSE según el caso.
- Validar con validación cruzada y ajustar hiperparámetros con GridSearchCV y RandomizedSearchCV.
- Segmentar clientes o procesos con k-means y evaluar el número de grupos con criterios objetivos.
Contenido del curso
7 módulos · 31 clases en vídeo · práctica guiada en cada módulo
Módulo 1 · Entorno y primer modelo
- Instalación y trabajo en cuaderno
- Anatomía de la API de scikit-learn: fit, predict y score
- Carga de un conjunto de datos y exploración inicial
- Primer modelo de referencia en pocas líneas
Módulo 2 · Preparación de datos
- Valores ausentes y estrategias de imputación
- Escalado y normalización: cuándo hace falta
- Codificación de variables categóricas
- ColumnTransformer para tratar cada columna a su manera
- Pipeline y fugas de información entre conjuntos
Módulo 3 · Regresión
- Regresión lineal y regularización ridge y lasso
- Árboles de regresión
- Random forest y gradient boosting
- MAE, RMSE y R cuadrado: qué elegir
- Análisis de residuos
Módulo 4 · Clasificación
- Regresión logística y frontera de decisión
- Árboles y bosques para clasificación
- Matriz de confusión, precisión y exhaustividad
- Curva ROC, AUC y elección de umbral
- Clases desbalanceadas y pesos
Módulo 5 · Validación y ajuste
- Validación cruzada y particiones estratificadas
- GridSearchCV y RandomizedSearchCV
- Curvas de aprendizaje y de validación
- Importancia de variables e interpretación
Módulo 6 · Aprendizaje no supervisado
- k-means y elección del número de grupos
- Clustering jerárquico y DBSCAN
- PCA para reducción de dimensionalidad
- Visualización e interpretación de los grupos
Módulo 7 · Del modelo a la decisión
- Coste del error y umbral de negocio
- Explicar el modelo a quien lo aprueba
- Serialización del modelo y reutilización
- Caso práctico completo sobre datos tabulares
Requisitos
- Python básico y manejo de pandas para leer y filtrar un DataFrame.
- Estadística descriptiva: media, desviación, correlación y noción de distribución.
- No hace falta experiencia previa en machine learning; basta un navegador para trabajar en cuaderno.
Descripción
En la mayoría de organizaciones el problema no pide una red neuronal: pide predecir una demanda, clasificar incidencias, estimar un consumo o agrupar clientes a partir de una tabla que ya existe. Con scikit-learn eso se resuelve en poco código, pero el resultado solo sirve si el preprocesado, la validación y la métrica se han elegido con criterio.
El curso trabaja sobre conjuntos de datos tabulares realistas, con valores ausentes y columnas categóricas. Se construye un Pipeline que encapsula preprocesado y modelo, se comparan familias de algoritmos sobre el mismo problema y se ajustan hiperparámetros con búsqueda y validación cruzada. También se ve la parte no supervisada, con k-means y reducción de dimensionalidad para explorar.
El último bloque conecta el modelo con la decisión de negocio: qué cuesta un falso positivo, qué umbral conviene, cómo se explica el modelo a quien tiene que aprobarlo y cuándo la mejora no compensa el esfuerzo. Es la base natural antes de pasar a redes neuronales, a series temporales o al despliegue del modelo como servicio.
¿Para quién es este curso?
- Perfiles de desarrollo que reciben peticiones de predicción sobre datos que la empresa ya tiene.
- Responsables de PYME o de área que quieren saber qué modelo pedir y qué coste tiene equivocarse.
- Ingeniería de proceso que analiza datos de planta en hoja de cálculo y quiere dar el salto a modelos.
Bajo demanda
Curso diseñado con la ficha cerrada. Se produce al confirmarse un grupo o un contrato.
- Código
- ML-110
- Nivel
- Intermedio
- Público
- Desarrollo, Ingeniería / Industria, Empresa / PYME
- Entorno
- Python, scikit-learn
Este curso incluye
- 31 clases en vídeo bajo demanda
- Práctica en entornos web y simuladores, sin instalar nada
- Tutorización en el campus
- Acceso desde móvil, tableta y ordenador
- Actualizaciones cuando cambia la versión de la herramienta
- Certificado de finalización
Sigue aprendiendo
Cursos relacionados
VA-101Machine Learning y Visión Artificial
OpenCV: procesamiento de imagen
Umbralización, filtrado, transformaciones geométricas, canales de color e histogramas.
PythonOpenCV
VA-102Machine Learning y Visión Artificial
Visión por computador clásica
Detección de características (Harris, MSER, SIFT, ORB), Hough y segmentación por regiones.
PythonOpenCV