Inteligencia Artificial

CursoIntermedio

Ciencia de Datos para Inteligencia Artificial

El ciclo completo del trabajo con datos que sostiene cualquier solución de inteligencia artificial: recolectar, limpiar, explorar, visualizar y preparar información para entrenar modelos. Con introducción a Python y sus bibliotecas de análisis.

Definición

Detrás de cada modelo de inteligencia artificial que funciona hay un trabajo de datos que casi nunca se muestra: conseguir la información, limpiarla, entenderla antes de usarla y prepararla en la forma que el modelo necesita. Ese trabajo es la ciencia de datos, y es donde se define si un proyecto de IA va a funcionar. Este curso lo recorre completo. Parte de qué es la disciplina y cómo se relaciona con la inteligencia artificial, sigue con la recolección y la preparación de datos —limpieza, transformación y organización de conjuntos, que es donde se va la mayor parte del tiempo real de cualquier proyecto—, y trabaja el análisis exploratorio con la estadística básica necesaria, la identificación de patrones y la visualización. Después entra al aprendizaje automático: conceptos, modelos supervisados y no supervisados, y cómo se usan los datos para entrenarlos. Incluye una introducción práctica a Python y sus bibliotecas de análisis, lo justo para poder trabajar. Y cierra con las aplicaciones que se construyen sobre esa base: análisis predictivo, sistemas de recomendación y apoyo a decisiones organizacionales.

Público objetivo

Profesionales interesados en el análisis de datos y en las tecnologías de inteligencia artificial.
Analistas de información y especialistas en transformación digital que quieren dar el paso al trabajo con datos.
Profesionales de tecnología que necesitan comprender cómo se usan los datos en IA.
Personas que quieren iniciarse en el campo de la ciencia de datos con una base ordenada.
Equipos que van a participar en proyectos de datos y necesitan el vocabulario y el método.
Profesionales que trabajan con planillas y quieren avanzar hacia herramientas y métodos más potentes.
Para quién NO es: No es un bootcamp de ciencia de datos ni forma para ejercer como científico de datos. Tampoco es un curso conceptual sin código: se trabaja con Python a nivel introductorio. Si buscas entender la IA sin programar, el camino es Fundamentos de Inteligencia Artificial.

Objetivos

Comprender el rol de la ciencia de datos en el desarrollo de soluciones de inteligencia artificial y aplicar sus etapas fundamentales, desde la recolección hasta la preparación de datos para entrenar modelos.

Comprender qué es la ciencia de datos y su rol en el desarrollo de soluciones de inteligencia artificial.
Identificar las etapas principales de un proyecto de análisis de datos y qué se decide en cada una.
Recolectar, limpiar y transformar datos desde distintas fuentes y formatos.
Realizar análisis exploratorio: estadística básica, identificación de patrones y detección de valores atípicos.
Construir visualizaciones que permitan entender un conjunto de datos antes de modelarlo.
Comprender los conceptos básicos de machine learning y la diferencia entre modelos supervisados y no supervisados.
Comprender cómo se usan los datos para entrenar un modelo y por qué su calidad determina el resultado.
Utilizar Python y sus bibliotecas de análisis a nivel introductorio para el trabajo con datos.
Reconocer las aplicaciones que se construyen sobre esta base: análisis predictivo, recomendación y apoyo a decisiones.

Resultados de aprendizaje

Recorrer las etapas de un proyecto de datos sabiendo qué se decide en cada una y qué errores son costosos.
Limpiar y transformar un conjunto de datos con problemas reales: faltantes, duplicados y formatos inconsistentes.
Explorar un conjunto de datos y describir qué contiene antes de intentar modelarlo.
Construir visualizaciones que revelen patrones y no solo decoren un reporte.
Explicar cómo se entrena un modelo y por qué la calidad de los datos determina su techo.
Escribir código básico en Python para tareas de análisis de datos.
Evaluar si un conjunto de datos alcanza para el problema que se quiere resolver.

Temario

1. Introducción a la ciencia de datos

Qué es la ciencia de datos y qué la distingue del análisis tradicional de información.
Relación entre datos, análisis e inteligencia artificial: por qué sin lo primero no existe lo último.
Tipos de datos y fuentes de información: estructurados, no estructurados, internos y externos.
Las etapas de un proyecto de datos y dónde se concentra el esfuerzo real.
Roles del campo: analista, científico e ingeniero de datos, y qué hace cada uno.

2. Preparación y gestión de datos

Recolección de datos: fuentes, formatos y qué verificar antes de confiar en un conjunto.
Limpieza de datos: valores faltantes, duplicados, formatos inconsistentes y errores de carga.
Transformación: normalización, codificación de categorías y creación de variables derivadas.
Organización de conjuntos de datos para que el trabajo sea reproducible por otra persona.
Por qué esta etapa consume la mayor parte del tiempo de cualquier proyecto real, y qué pasa si se apura.

3. Análisis exploratorio de datos

Estadística básica para análisis: medidas de tendencia central, dispersión y distribución.
Identificación de patrones y tendencias en un conjunto.
Detección de valores atípicos: cuándo son error y cuándo son el hallazgo.
Relaciones entre variables y por qué correlación no implica causa.
Visualización de información: qué gráfico corresponde a cada pregunta.
Qué contar sobre un conjunto de datos antes de intentar modelarlo.

4. Introducción al aprendizaje automático

Conceptos básicos de machine learning y qué tipo de problemas resuelve.
Modelos supervisados: clasificación y regresión, con ejemplos reconocibles.
Modelos no supervisados: agrupamiento y reducción de dimensionalidad.
Uso de datos para entrenar un modelo: división en entrenamiento, validación y prueba.
Por qué un modelo que acierta con sus propios datos no demuestra nada.
Evaluación básica: qué significa que un modelo funcione.

5. Herramientas para ciencia de datos

Introducción a Python para análisis de datos: lo necesario para poder trabajar, sin curso previo de programación.
Bibliotecas de análisis: manipulación de datos tabulares y operaciones fundamentales.
Bibliotecas de visualización y de aprendizaje automático.
Entornos de trabajo: notebooks y cómo se organiza un proyecto de datos.
Reproducibilidad: por qué un análisis que nadie puede volver a correr no sirve.

6. Aplicaciones de ciencia de datos en inteligencia artificial

Análisis predictivo: qué se puede anticipar y con qué nivel de confianza.
Sistemas de recomendación: cómo funcionan y por qué refuerzan lo existente.
Uso de datos para apoyar decisiones organizacionales, con sus límites.
Del análisis al modelo en producción: qué cambia y qué se necesita.
Rutas de especialización posterior según el tipo de trabajo que se quiera hacer.

Metodología y materiales

Metodología

Trabajo práctico sobre conjuntos de datos reales, con los problemas que efectivamente aparecen.
Introducción guiada a Python: cada instrucción se explica y se aplica de inmediato.
Ejercicios de limpieza y transformación sobre datos sucios, que es el trabajo real de la disciplina.
Análisis exploratorio y visualización de un conjunto propio, de principio a fin.
Revisión de casos de aplicación para conectar el trabajo de datos con el resultado de negocio.

Materiales incluidos

Conjuntos de datos de práctica con problemas reales de calidad.
Notebooks con los ejercicios de cada módulo, explicados paso a paso.
Guía de referencia de Python y bibliotecas de análisis para consulta posterior.
Pauta de análisis exploratorio: qué revisar siempre en un conjunto de datos nuevo.
Checklist de evaluación de datos: si alcanzan para el problema planteado.

Evaluación y certificación

Certificados

Certificado de participación Passus

Condiciones de inscripción

Se dicta online en vivo o presencial. En cursos abiertos las clases siguen el calendario publicado por Passus; en cursos cerrados, la modalidad, el horario y la fecha se acuerdan con la institución o empresa.

Requisitos

Es un curso de nivel intermedio: conviene manejar datos en planillas y tener familiaridad con tablas y cálculos.
Se escribe algo de código en Python, a nivel introductorio y con acompañamiento. No se exige experiencia previa en programación, pero sí disposición a trabajar con código.
No requiere formación matemática avanzada: la estadística necesaria se desarrolla en el curso.

Preguntas frecuentes

¿Necesito saber programar?

No se exige experiencia previa en programación, pero sí disposición a trabajar con código: el módulo 5 introduce Python y sus bibliotecas de análisis, y se usa en los ejercicios. Todo se explica y se acompaña, pero es un curso donde se escribe código.

¿Necesito base matemática?

No avanzada. La estadística necesaria —medidas de tendencia, dispersión, distribución y relaciones entre variables— se desarrolla en el curso, orientada a la aplicación y no a la demostración.

¿Es un bootcamp de ciencia de datos?

No. Es un curso de fundamentos que entrega el método y el vocabulario del campo, con práctica real. No forma para ejercer como científico de datos, pero sí permite participar con criterio en proyectos de datos y decidir si especializarse.

¿Qué diferencia hay con Machine Learning y Deep Learning?

Este curso cubre el ciclo completo del trabajo con datos: obtención, limpieza, exploración, visualización y preparación, con una introducción al aprendizaje automático. El de Machine Learning profundiza en cómo aprenden los modelos, las métricas de evaluación y las redes neuronales. Se complementan, y este suele ir primero.

¿Por qué se insiste tanto en la limpieza de datos?

Porque es donde se va la mayor parte del tiempo de cualquier proyecto real y donde se define el techo del resultado. Un modelo no puede ser mejor que los datos con los que se entrenó, y la mayoría de los proyectos que fallan lo hacen aquí, no en el algoritmo.

¿Trabajo con Python o con planillas?

Con ambos. El curso está pensado para quien ya maneja datos en planillas y quiere avanzar a herramientas más potentes. La transición se hace de forma guiada, mostrando qué gana y qué cambia.

¿Qué me llevo concretamente?

El método completo de un proyecto de datos y la capacidad de ejecutarlo a nivel introductorio: limpiar un conjunto con problemas reales, explorarlo, visualizarlo, entender cómo se entrena un modelo y evaluar si los datos alcanzan para el problema que se quiere resolver.

¿Sirve para evaluar proyectos de datos de mi organización?

Sí. Después del curso puedes preguntar de dónde vienen los datos, cómo se limpiaron, cómo se dividieron para entrenar y qué significa la métrica que se está reportando. Son las preguntas que distinguen un proyecto serio de una demostración.

¿Entrega certificación oficial?

No incluye examen de certificación externo. Passus entrega certificado de participación al finalizar.

¿Se puede dictar para mi equipo?

Sí, en modalidad cerrada. En ese formato los ejercicios pueden trabajarse sobre conjuntos de datos reales de la organización, con lo cual el curso deja además un análisis exploratorio hecho sobre información propia.