Objetivo

Aprender a construir modelos predictivos utilizando las principales técnicas de Machine Learning y conoce los fundamentos para implementar modelos mediante APIs.

Contenidos

1. Fundamentos de Machine Learning

·Flujo general de un proyecto de Machine Learning.

·Aprendizaje supervisado y no supervisado.

·Preparación de datos para modelamiento.

·Sobreajuste, subajuste y regularización.

2. Modelos de regresión y clasificación

·Modelos de regresión: lineal, polinómica y regularizada.

·Métodos basados en distancias y árboles de decisión.

·Modelos ensamblados: Random Forest, Gradient Boosting, XGBoost, LightGBM y CatBoost.

·Modelos de clasificación: regresión logística, Naive Bayes, SVM, KNN y árboles.

3. Evaluación, validación y selección de modelos

·Métricas para regresión y clasificación.

·Validación cruzada y comparación de modelos.

·Ajuste de hiperparámetros mediante búsqueda sistemática.

·Selección del modelo final según desempeño e interpretación.

4. Introducción a FastAPI para modelos predictivos

·Exportación e importación de modelos con pickle o joblib.

·Concepto básico de API aplicada a modelos de Machine Learning.

·Creación de un endpoint simple para recibir datos y devolver predicciones.

·Prueba básica de la API y organización inicial del proyecto.