Inteligencia Artificial y Machine Learning - ¡EMPIEZA YA!

Unidad 1.  Introducción a la IA y ML. Análisis de Datos y Preprocesamiento

• Conceptos básicos de Inteligencia Artificial y Machine Learning.
• Diferencias entre Aprendizaje Supervisado, No Supervisado y por Refuerzo.
• Instalación y configuración del entorno: Python, librerías (numpy, pandas, scikit-learn, tensorflow).
• Práctica : Configuración del entorno y ejecución de un primer modelo de regresión simple.
• Importancia del preprocesamiento en Machine Learning.
• Limpieza y transformación de datos con pandas y scikit-learn.
• Normalización, estandarización y manejo de valores faltantes.
• Práctica : Cargar un conjunto de datos real, limpiar los datos y prepararlos para un modelo de ML.

Unidad 2.  Modelos de Aprendizaje Supervisado

• Regresión Lineal y Regresión Logística.
• Introducción a Árboles de Decisión y Random Forest.
• Evaluación de modelos: Métricas como MSE, R², Accuracy, Precision, Recall.
• Práctica : Crear modelos de predicción de precios de casas o clasificación de clientes.

Unidad 3.  Aprendizaje No Supervisado

• Agrupación: K-Means, DBSCAN y Jerárquico.
• Reducción de Dimensionalidad con PCA.
• Práctica : Aplicación de K-Means para segmentación de clientes o análisis de patrones en datos de ventas.

Unidad 4.  Redes Neuronales con TensorFlow y Keras

• Conceptos básicos de Redes Neuronales y cómo funcionan.
• Construcción de una red neuronal con TensorFlow y Keras.
• Práctica : Entrenar un modelo de red neuronal para clasificación de imágenes o predicción de series temporales.