Este bloque es fundamental, ya que la calidad de los modelos de Machine Learning depende directamente de la calidad de los datos de entrenamiento. Se dedicarán dos sesiones completas para dominar estas técnicas.

2.1 Análisis Exploratorio de Datos (EDA – Exploratory Data Analysis):
Técnicas para entender la distribución y características de los datos.
Visualización de datos con Matplotlib y Seaborn.
2.2 Herramientas de EDA Automático:
Introducción a librerías como Pandas Profiling o Sweetviz para generar reportes automáticos.
2.3 Limpieza y Preprocesamiento de Datos:
Manejo de valores faltantes y datos atípicos (outliers).
Normalización y estandarización de variables.
2.4 Feature Engineering (Ingeniería de Características):
Creación de nuevas variables a partir de las existentes.
Técnicas de codificación para variables categóricas.
Selección de características relevantes.

Se abordarán dos de los algoritmos supervisados más comunes y potentes. Cada modelo incluirá una explicación teórica, la evaluación de su rendimiento y un caso práctico.

3.1 Modelos de Regresión:
Regresión Lineal y Múltiple: Principios y supuestos.
Métricas de Desempeño para Regresión: MAE, MSE, RMSE, y R2.
Caso Práctico Aplicado: Predicción de precios de viviendas.
3.2 Modelos Basados en Árboles:
Árboles de Decisión: Funcionamiento y visualización.
Bosques Aleatorios (Random Forests): Concepto de ensemble learning para mejorar el rendimiento.
Métricas de Desempeño para Clasificación: Matriz de Confusión, Precisión, Recall y F1-Score.
Caso Práctico Aplicado: Predicción de churn de clientes (abandono de servicio).

Esta sesión se centrará en técnicas que no requieren datos etiquetados, permitiendo encontrar patrones y estructuras ocultas en los conjuntos de datos.

4.1 Clustering:
Algoritmo K-Means: Fundamentos, cómo funciona y elección del número de clusters.
Caso Práctico: Segmentación de clientes.
4.2 Reglas de Asociación:
Algoritmo Apriori: Concepto de reglas de asociación (association rules).
Caso Práctico: Análisis de cestas de la compra (market basket analysis).

Este bloque, ampliado para una inmersión más profunda, se centrará en la arquitectura de redes neuronales de mayor impacto en la industria: CNN para visión artificial y una introducción al procesamiento de lenguaje natural.

5.1 Fundamentos de Redes Neuronales:
Neuronas, capas, y funciones de activación.
Concepto de backpropagation y optimizadores.
5.2 Redes Neuronales Convolucionales (CNN):
Arquitectura: Capas convolucionales, de pooling y densas.
Aplicaciones: Reconocimiento de imágenes, detección de objetos.
Caso Práctico: Clasificación de imágenes utilizando TensorFlow y Keras.
5.3 Introducción al Procesamiento de Lenguaje Natural (NLP):
Conceptos básicos: Tokenización, vectores de palabras.
Introducción a arquitecturas como las Redes Recurrentes (RNN).
Aplicación práctica: Análisis de sentimientos o clasificación de textos.