UCV_ML_Course

Machine Learning aplicado a Business Analytics con Python

Este repositorio contiene el currículo completo, materiales y ejercicios prácticos del curso de Machine Learning con Python, diseñado específicamente para profesionales y estudiantes de Business Analytics.

A diferencia de los cursos técnicos tradicionales, este programa se aleja de la complejidad matemática excesiva para centrarse en la interpretación de modelos, la calidad del dato y la comunicación del valor económico de las predicciones a la gerencia.

📊 Estructura del Proyecto

El curso está organizado en 5 bloques temáticos que evolucionan desde los fundamentos hasta las tendencias de vanguardia en IA:

UCV_ML_Course/
├── 1-Fundamentos/          # Mentalidad Data-Driven, Eficiencia vs. Eficacia, CRISP-DM
├── 2-Predicción/           # Regresión Lineal, Parsimonia y Overfitting
├── 3-Clasificación/        # Regresión Logística, Árboles (CART) y Random Forest
├── 4-Tendencias/           # Deep Learning, NLP y Agentes de IA
├── 5-Cierre-Integración/   # Ética, Storytelling y Proyecto Final
├── datasets/               # Conjuntos de datos reales (Ventas, Crédito, Logística)
└── img/                    # Imágenes utilizadas

🚀 Hoja de Ruta del Aprendizaje

• Bloque I: Fundamentos y Mentalidad "Data-Driven"

Sesión 1: Introducción al ML en la empresa. Diferencia entre estadística descriptiva (pasado) y ML (futuro).

Sesión 2: Metodología y Calidad. El proceso CRISP-DM y el concepto "Garbage In, Garbage Out".

• Bloque II: Modelos de Predicción y Simplicidad

Sesión 3: Regresión Lineal. Impacto de variables en las ventas y optimización de inventarios.

Sesión 4: El riesgo de la complejidad. Errores de Underfitting vs. Overfitting.

• Bloque III: Clasificación y Gestión del Riesgo

Sesión 5: Regresión Logística. Cálculo de probabilidades de fuga de clientes (Churn).

Sesión 6: Árboles de Decisión (CART). Modelos explicables para la concesión de créditos.

Sesión 7: Random Forest. Estabilidad y reducción de riesgo mediante ensambles.

Sesión 8: Evaluación avanzada. El coste financiero de los Falsos Positivos vs. Falsos Negativos.

• Bloque IV: Tendencias: Deep Learning e IA Generativa

Sesión 9: Introducción al Deep Learning y Visión Artificial aplicada a retail.

Sesión 10: La Revolución de los LLMs. Configuración y acceso.

Sesión 11: Agentes de IA. El analista como orquestador de modelos y automatización.

• Bloque V: Cierre e Integración: Proyecto Final

Sesión 12: Storytelling y Presentación de Proyecto Final.

🛠️ Stack Tecnológico

Para las prácticas utilizaremos las bibliotecas estándar de la industria en Python:

• Pandas & NumPy: Manipulación y limpieza de datos.

• Scikit-learn: Implementación de modelos de ML clásicos.

• Matplotlib & Seaborn: Visualización de datos y diagnóstico de modelos.

• transformers: Despliegue básico de modelos Deep Learning.

• Dash, Fastapi, Google ADK: para el despliegue de un sistema de agentes de IA.

Entorno: Google Colab o Jupyter Notebooks.

📝 Instrucciones de Configuración

Está diseñado para trabajar en un entorno de cloud computing con Python como Google Colab, clona este repositorio y tendrás acceso a las presentaciones, notebooks y datasets propios del curso:

#Clonar el repositorio
git clone https://github.com/jfrometa-tlsi/UCV_ML_Course.git

🎯 Filosofía del Curso

• Enfoque en Negocio: Un modelo no es un fin en sí mismo, sino una herramienta para mejorar el rendimiento de los negocios (Rentabilidad, Retención, Eficiencia, etc.).

• Parsimonia: Preferimos la simplicidad explicable sobre la complejidad innecesaria ("Menos es más").

• Ética y Responsabilidad: Discusión activa sobre sesgos algorítmicos y responsabilidad en la toma de decisiones automatizada.