Objetivo General:

Diseñar, implementar y despliegar una solución de ciencia de datos integral que incluye, además del modelo de machine learning, un módulo de captura automatizada de datos basada en scraping. Tal solución se enfoca en solucionar una o varias necesidades justificadas de negocio, como clasificación multiclase, segmentación de clientes, análisis RFM o asociación de productos.

Objetivo Específico por módulo:

• Estadística inferencial para ciencia de datos: El alumno aplica conceptos de estadística inferencial al análisis y tratamiento de dataset, a fin de seleccionar variables o muestras de datos con fundamento matemático y, por consiguiente, mejorar la capacidad de predicción.
• Web Scraping & API’s: El alumno implementa módulos sencillos de scraping para la extracción y captura automatizada de datos desde fuentes web en diferentes formatos, cómo catálogos web, archivos en línea y APIs.
• Aprendizaje supervisado multiclase: El alumno implementa modelos supervisados para la clasificación multiclase, así como aplica técnicas para su evaluación. De igual manera, hace tuning de algoritmos emsemble de manera manual y automatizada en búsqueda de los mejores hiperparámetros.
• Aprendizaje no supervisado aplicado: El alumno implementa modelos de clusterización, RFM y asociación de datos aplicados a casuísticas específicas de negocio.
• Fundamentos de aprendizaje profundo: El alumno comprende como opera una neurona artificial tanto de manera individual como en red, así como algoritmos asociados como Feedforward, Backpropagation, gradiente del descenso, entre otros.
• Pronóstico de series de tiempo (forecasting): El alumno diseña e implementa redes neuronales para el pronóstico o prospección de series temporales (forecasting), eligiendo y configurando la arquitectura más adecuada para este propósito (LSTM).
• Clasificación de textos y lenguaje natural (sentiment analysis): El alumno diseña e implementa redes neuronales para la clasificación de textos y su aplicación en casos de análisis de sentimiento, eligiendo y configurando la arquitectura más adecuada para este propósito (Transformers).
• Del desarrollo de modelos a MLE: El alumno adapta un notebook de ciencia datos y lo traslada a un proyecto de machine learning engineering, incorporándole módulos para el control de versiones de código y datos, así como testing de funcionalidad.
• Despliegue y mantenimiento automatizado de modelos: El alumno despliega su proyecto de machine learning tanto en un servidor diseñado ad-hoc, como a través de servicios cloud (AWS).
• Proyecto integrador: El alumno implementa una solución de machine learning de clasificación multiclase a partir de una casuística de negocio real, incorporándole un módulo de scraping y alojándolo en un servidor para su uso y consulta.