Certificado Universidad Complutense de Madrid

Este módulo proporciona las bases para trabajar con datos utilizando Python, desde la adquisición y limpieza hasta su análisis y visualización. Se explorarán herramientas clave del ecosistema Python orientadas al análisis de datos de forma práctica y aplicada.

1. Introducción a Jupyter, el entorno de programación de Python para ciencia de datos:
   Se presentarán Jupyter Notebooks una de las herramientas más utilizadas en análisis de datos e IA. Aprenderás a trabajar en un entorno interactivo que permite integrar código Python ejecutable, visualizaciones y documentación en un único espacio de trabajo. 
2. Procesamiento y limpieza de datos con Pandas:
   Se abordarán las técnicas más comunes para filtrar, agrupar y depurar conjuntos de datos. Se trabajará la detección y corrección de errores como duplicados, valores perdidos o atípicos, y se desarrollará un análisis exploratorio inicial para comprender mejor la estructura y calidad de los datos disponibles.
3. Adquisición y almacenamiento de datos:
   

   Se abordarán las técnicas básicas para la obtención de información desde la web mediante el consumo de APIs, incluyendo el estudio de los principales formatos de intercambio y adquisición de datos, específicamente JSON y CSV.

4. Visualización de datos con Matplotlib:
   Se estudiarán los principios de la visualización de datos, aprendiendo a elegir el tipo de gráfico más adecuado en función del objetivo analítico. Se emplearán librerías como Matplotlib para generar visualizaciones tanto básicas como avanzadas, tanto para el análisis exploratorio como para la generación de informes.

Este módulo ofrece una visión general y aplicada de la inteligencia artificial, abordando sus conceptos clave, casos de uso y principales metodologías, con el objetivo de comprender su funcionamiento, utilidad y alcance en distintos contextos.

1. Introducción a la inteligencia artificial:
   Se explicarán los fundamentos y el origen de la inteligencia artificial, sus principales características y los problemas que es capaz de resolver. Se analizarán las implicaciones de su uso en el presente y su potencial evolución en el futuro.
2. Ciclo de vida de un proyecto de inteligencia artificial:
   Se estudiará las fases que componen un proyecto de IA, desde la definición del problema hasta la validación del modelo. Se revisarán los conceptos y tareas clave en cada etapa, con el objetivo de proporcionar una visión estructurada y realista del desarrollo de soluciones basadas en IA.
3. Modelos y algoritmos de aprendizaje automático:
   Se presentarán los principales modelos y algoritmos de machine learning, detallando su funcionamiento y las situaciones en las que resultan más eficaces. Se explicará cómo estos modelos permiten extraer patrones y tomar decisiones a partir de grandes volúmenes de datos.
4. Modelos y herramienta de IA generativa:
   Se presentarán las diferencias entre modelos, agentes y herramientas, así como las limitaciones, riesgos y buenas prácticas en el uso de herramientas de IA generativa. El curso abordará técnicas de prompting en ChatGPT y el uso de la herramienta NotebookLM.

Este módulo profundiza en los principales métodos de aprendizaje automático utilizando Python, desde los modelos supervisados hasta los no supervisados. Se trabajará con la librería Scikit-learn para aplicar técnicas de modelado, validación y optimización en contextos reales de análisis de datos.

1. Introducción a scikit-learn para machine learning:
   

   Se presentará la biblioteca Scikit-learn como herramienta fundamental para la implementación de modelos de aprendizaje automático en Python. Los estudiantes aprenderán a utilizar sus funcionalidades principales y a preparar conjuntos de datos de tamaño medio mediante procesos de partición, normalización y codificación previos al entrenamiento de modelos.

2. Modelos de aprendizaje supervisado: regresión y clasificación:
   Se explicarán como  implementar los modelos supervisados, diferenciando entre problemas de regresión (predicción de valores continuos) y clasificación (asignación de categorías).
3. Evaluación de modelos y Optimización de hiperparámetros:
   

   Se abordarán técnicas para evaluar de forma robusta el rendimiento de los modelos de aprendizaje automático, incluyendo métodos de validación cruzada y el uso de métricas específicas en función del tipo de problema. Asimismo, se hará hincapié en la identificación y prevención de problemas de sobreajuste y subajuste. Además, se enseñarán métodos para optimizar los hiperparámetros de un modelo mediante técnicas como grid search y random search, con el objetivo de mejorar su rendimiento, precisión y capacidad de generalización.

4. Modelos de aprendizaje no supervisado | Clustering:
   

   Se implementarán modelos de aprendizaje automático no supervisados para resolver problemas de reducción de dimensionalidad y de agrupación de datos (clustering). Se estudiarán sus aplicaciones prácticas y se aprenderá a interpretar los resultados para descubrir patrones sin etiquetas previas.