Formular
Convertir necesidades en decisiones, unidades, horizontes y métricas.
Recorrido académico
Programa por capacidades
La secuencia conserva los temas mínimos del curso y suma las capacidades necesarias para diseñar decisiones confiables.
Resultados de aprendizaje
Al finalizar el recorrido
Construir evidencia
Auditar y preparar datos con trazabilidad y sin leakage.
Modelar
Seleccionar y validar métodos predictivos, descriptivos y prescriptivos.
Decidir
Traducir métricas a costos, capacidad, riesgo y valor esperado.
Gobernar
Explicar, documentar y monitorear impacto y desempeño.
Comunicar
Defender una recomendación con límites y próximos pasos.
Unidad I
Fundamentos y calidad de datos
¿Podemos convertir datos crudos en evidencia confiable?
| Módulo | Contenido | Dedicación orientativa | Acceso |
|---|---|---|---|
| Módulo 00 | Orientación, Python y flujo de trabajo Del problema ambiguo al experimento reproducible: entorno, notebooks, datos, código y evidencia. |
2 encuentros más práctica asincrónica | Abrir |
| Módulo 01 | Problema de negocio, EDA y visualización Explorar con propósito: estructura, distribuciones, relaciones, segmentos y visualizaciones que respondan preguntas. |
2 encuentros | Abrir |
| Módulo 02 | Calidad de datos y valores faltantes Diagnosticar completitud, validez, consistencia, duplicados y mecanismos de ausencia antes de imputar. |
2 encuentros | Abrir |
| Módulo 03 | Outliers, robustez e influencia Separar errores, rarezas válidas y observaciones influyentes con criterios estadísticos y de negocio. |
2 encuentros + laboratorio | Abrir |
| Módulo 04 | Transformación de variables y pipelines Transformar, escalar, codificar y construir variables sin filtrar información ni romper la reproducibilidad. |
2 encuentros | Abrir |
Unidad II
Modelos predictivos y evaluación
¿Cómo predecimos y validamos sin engañarnos?
| Módulo | Contenido | Dedicación orientativa | Acceso |
|---|---|---|---|
| Módulo 05 | Correlación y regresión lineal Cuantificar relaciones, diagnosticar supuestos y evaluar errores con una interpretación conectada al negocio. |
2 encuentros | Abrir |
| Módulo 06 | Validación, selección y generalización Diseñar particiones, baselines y validación cruzada que estimen el desempeño futuro sin contaminar la evaluación. |
2 encuentros | Abrir |
| Módulo 07 | Series de tiempo y backtesting Modelar tendencia, estacionalidad y dependencia temporal con baselines honestos y evaluación de origen rodante. |
2 encuentros | Abrir |
| Módulo 08 | Regresión logística y decisiones de clasificación Estimar probabilidades, evaluar ranking y calibración, y elegir umbrales según costos, capacidad y valor. |
2 encuentros | Abrir |
| Módulo 09 | Árboles, Random Forest y ensembles Aprender reglas no lineales, controlar complejidad y combinar modelos para mejorar estabilidad y desempeño. |
4 encuentros | Abrir |
Unidad III
Aprendizaje no supervisado e inteligencia artificial
¿Qué estructuras y representaciones puede aprender un modelo?
| Módulo | Contenido | Dedicación orientativa | Acceso |
|---|---|---|---|
| Módulo 10 | PCA, K-Means y clustering jerárquico Descubrir estructuras no supervisadas con escala, distancia, estabilidad e interpretación orientada a acciones. |
2 encuentros | Abrir |
| Módulo 11 | Redes neuronales y arquitecturas modernas Comprender neuronas, activaciones, backpropagation y regularización, con un mapa responsable de arquitecturas actuales. |
3 encuentros más TensorFlow Playground | Abrir |
Unidad IV
Decisión, optimización y responsabilidad
¿Cómo transformamos predicciones en acciones defendibles?
| Módulo | Contenido | Dedicación orientativa | Acceso |
|---|---|---|---|
| Módulo 12 | Programación lineal y analítica prescriptiva Convertir pronósticos y costos en decisiones óptimas bajo restricciones de capacidad, presupuesto y operación. |
2 encuentros | Abrir |
| Módulo 13 | Interpretabilidad, equidad y ciclo de vida Evaluar explicaciones, equidad, privacidad, causalidad, monitoreo y gobernanza durante todo el ciclo analítico. |
2 encuentros | Abrir |
Unidad V
Proyecto integrador
¿Podemos sostener una recomendación de punta a punta?
| Módulo | Contenido | Dedicación orientativa | Acceso |
|---|---|---|---|
| Módulo 14 | Proyecto integrador de decisión Integrar problema, datos, modelado, evaluación, decisión, comunicación y reproducibilidad en un producto analítico defendible. |
Trabajo transversal con entrega parcial, final y exposición | Abrir |
Cobertura ampliada
Temas necesarios para completar el ciclo
Antes de modelar
Decisión, unidad de análisis, calidad, leakage, encoding, pipelines y baselines.
Al evaluar
Particiones por grupo o tiempo, calibración, costos de error, estabilidad e incertidumbre.
Al decidir
Optimización, restricciones, valor esperado, experimentación y análisis de sensibilidad.
Al operar
Interpretabilidad, equidad, documentación, monitoreo, drift y supervisión humana.