Introducción a Machine Learning Aplicado al Negocio
Fechas: 06, 09, 13, 15, 20, 23, y 27 julio 2026
Horario: 18:30 a 21:30 horas
7 sesiones de 3 horas
- Descripción
- Plan de estudios
- Más Información
¿Tu empresa tiene datos pero no sabe cómo usarlos para tomar mejores decisiones?
El Machine Learning ya no es tecnología de laboratorio — hoy predice fuga de clientes, detecta fraude en tiempo real, optimiza rutas logísticas y pronostica demanda. La pregunta no es si es relevante para tu negocio. Es si tienes los conceptos para decidir cuándo y cómo usarlo.
Este curso te da una formación práctica orientada a problemas reales de negocio: qué tipos de problemas puede resolver el ML (y cuáles no), cómo funciona un proyecto de ML de principio a fin, cuáles son los algoritmos más usados en contextos empresariales y cuándo aplicar cada uno, cómo evaluar un modelo y comunicar sus resultados a personas no técnicas, y qué consideraciones éticas y de privacidad debes conocer antes de desplegar cualquier modelo.
Se trabaja con Python y las bibliotecas estándar de la industria (pandas, scikit-learn, matplotlib). El foco no es aprender a programar — es aprender a pensar con Machine Learning y aplicarlo con criterio.
Al finalizar tendrás un proyecto completo de ML implementado — desde la exploración de datos hasta la evaluación y presentación del modelo — aplicado a un caso real de tu industria.
-
1
Fundamentos de ML: tipos de aprendizaje, pipeline y casos de negocio -
2
Python para ML: exploración y preparación de datos (EDA)
-
3
Aprendizaje supervisado I: clasificación y métricas de evaluación
-
4
Aprendizaje supervisado II: modelos de ensamble y regresión para pronóstico
-
5
Aprendizaje no supervisado: clustering, segmentación y detección de anomalías
-
6
ML responsable: ética, sesgo, explicabilidad y privacidad
-
7
Proyecto final: pipeline completo de ML aplicado al negocio
•Analistas de datos, business analysts y profesionales de inteligencia de negocios (BI)
•Ingenieros/as comerciales, administradores/as de empresas y profesionales de finanzas con vocación analítica
•Profesionales de marketing, ventas y CRM que trabajan con datos de comportamiento de clientes
•Ingenieros/as de procesos, operaciones e industrial que buscan optimizar sistemas con datos
•Profesionales de TI y sistemas que necesitan entender el ciclo de vida de modelos ML para integrarlos en productos
•Científicos/as de datos en formación que quieren una base sólida de aplicación a problemas de negocio
•Líderes de proyectos de transformación digital que toman decisiones sobre iniciativas de IA/ML en sus organizaciones
•Investigadores/as y académicos de áreas cuantitativas interesados en la aplicación empresarial de ML
•Título profesional o técnico en Ingeniería, Administración, Estadística, Informática, Matemáticas, Ciencias o afín, o estar cursando alguna de estas carreras.
•Conocimientos básicos de estadística descriptiva: promedio, mediana, desviación estándar, correlación. No es necesario dominar estadística inferencial avanzada.
•Manejo básico de Python o disposición para aprenderlo durante el curso: el curso incluye introducción práctica a Python con las bibliotecas clave (pandas, scikit-learn, matplotlib). Se recomienda haber completado al menos un tutorial básico de Python antes de comenzar.
•Familiaridad con hojas de cálculo (Excel o equivalente) para lectura e interpretación de tablas de datos.
•Computador con Python instalado (Anaconda recomendado) o acceso a Google Colab (gratuito, sin instalación). Guía de configuración enviada al momento de la inscripción.
El curso no requiere experiencia previa en Machine Learning ni en programación avanzada. El enfoque es conceptual y aplicado: se aprende a implementar, interpretar y tomar decisiones con modelos de ML, no a desarrollar algoritmos desde cero.
Cada sesión combina explicación conceptual del algoritmo o técnica con implementación inmediata en Python sobre datos reales de negocio.
El objetivo no es aprender a programar: es aprender a pensar con Machine Learning, elegir el modelo correcto para cada problema y comunicar los resultados con valor para la organización.
El código es la herramienta, no el fin.
