• Motivación
  • De los datos a la información
  • Datos, información y programación ¿Cómo conviven hoy estos elementos en el mundo laboral?
  • ¿Qué es la programación?
  • Aplicaciones prácticas
  • La programación en el mundo laboral y cómo debe convertirse en un hábito
• Secuencias de comandos en Python
• Operaciones básicas
• Creación y asignación de variables
• Operaciones lógicas

• Control de Flujo:
  • If
  • Else
  • Elif
  • Uso en conjunto
• Ciclos:
  • While
  • For

• Tipos de datos: Enteros, decimales, textos y listas.
• “Strings”
  • ¿Qué es un string?
  • Funciones básicas de un string
  • Funciones avanzadas de un string
• Funciones
  • ¿Qué es una función?
  • ¿Por qué ocupar funciones?
  • Declaración y uso de funciones
• Listas
  • Creación de listas
  • Obtener elementos
  • Añadir elementos o quitar elementos
  • Operaciones sobre listas

• Listas de listas
• Archivos
  • Cómo se interactúa con archivos y para qué sirven
  • Leer archivos
  • Escribir archivos
• Procesamiento de datos
  • Carga masiva
  • Edición masiva
  • Ejemplos prácticos

• Listas y listas de listas
• Manipulación de listas
• Funciones sobre listas
• Diccionarios
• Operaciones sobre diccionarios
• Aplicaciones de diccionarios
• Aplicaciones con listas y diccionarios
• Tuplas como tipo de dato inmutable
• Operaciones sobre tuplas
• Combinando listas, tuplas y diccionarios

• Concepto de función
• Definición de funciones
• Parámetros y valores de retorno
• Importación y llamado de módulos
• Invocación de funciones y scope
• Parámetros con nombre y parámetros por defecto
• Funciones recursivas
• Aplicación de funciones

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. Los miniproyectos estarán enfocados en: procesar y consolidar datos aplicando ETL (extracción, transformación y carga de datos); utilizar el algoritmo Random Forest y KNN para dos casos propuestos, y realizar el preprocesamiento de una base de datos propuesta, aplicando dos algoritmos de los vistos en clases para así mostrar sus rendimientos a través de evaluar al clasificador y presentar las métricas, pudiendo establecer una comparación de rendimiento entre los dos algoritmos elegidos.

• Video bienvenida al curso
• Integración de datos, data warehouse
• Selección y transformación de datos
• Install Python Windows
• Install Python MAC OS y Linux
• Ejemplo práctico uso de dataframes

• Preparación de datos: normalización, codificación e imputación de datos
• PCA y t-SNE
• ETL
• Ejemplo práctico PCA
• Ejemplo práctico t-SNE
• Ejemplo práctico ETL

• Reglas de asociación: Apriori
• Reglas de asociación: FP-Growth
• Reglas de asociación: ECLAT
• Ejemplo práctico Apriori
• Ejemplo práctico ECLAT
• Ejemplo práctico FP-Growth

• Árboles de decisión
• Random Forest
• KNN y Kd-tree
• Ejemplo práctico árboles de decisión
• Ejemplo práctico Random Forest
• Ejemplo práctico KNN

• KMeans
• Clustering jerárquico
• DBSCAN
• Ejemplo práctico KMeans
• Ejemplo práctico clustering jerárquico
• Ejemplo práctico DBSCAN

• Introducción a machine learning: modelos supervisados y no supervisados
• Evaluación de clasificadores
• Métricas
• Ejemplo práctico evaluación clasificadores
• Ejemplo práctico métricas

• Modelos alternativos de minería de datos
• Extensión de los modelos de machine learning

• Web scraping
• Text análisis

• Aprendizaje reforzado
• Introducción
• Diferencias con otros modelos de aprendizaje
• Agentes
• Funcionamiento con base en premios, castigos y fuerza bruta
• Q-Learning: Introducción, ecuación de Bellman, explorar vs. explotar