Temario

Sobre el curso

La Especialización en Machine Learning para Ciencias Ambientales e Inteligencia Artificial ofrece una formación integral y práctica orientada a profesionales y estudiantes que buscan potenciar sus capacidades analíticas mediante tecnologías de última generación. A lo largo del programa desarrollarás competencias en: Inteligencia Artificial Generativa aplicada a investigación científica. Ciencia de Datos con Python. Machine Learning supervisado y no supervisado. Minería y análisis de datos ecológicos. Deep Learning y Visión por Computadora. Despliegue de modelos predictivos en aplicaciones web. El programa combina teoría, práctica y desarrollo de proyectos reales enfocados en problemáticas ambientales actuales. El programa consta de 5 cursos.

Módulo 1INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL GENERATIVA

Descripción: La inteligencia artificial generativa tiene un gran desarrollo a nivel mundial. Se realiza una introducción a los Modelos de Lenguaje Largo, Ingeniería de Prompts y aplicaciones para investigación científica.
Plan de Estudio:
Clase 1: Introducción a la Inteligencia Artificial. Bases de las Redes Neuronales. Uso de la web TensorFlow.
Clase 2: Bases de los Modelos de Lenguaje Largo. Alucinaciones en la IA. Ingeniería de Prompts. Métodos R.O.C.E.F para elaborar Prompts efectivos.
Clase 3: Inteligencia Artificial Generativa de Texto: Chat GPT, QWENCHAT. Consideraciones básicas y generación de fuentes bibliográficas. Uso de Mendeley.
Clase 4: IA Generativa para Búsqueda de Información: ResearchRabbit. Relación entre artículos de investigación. Comparación de artículos científicos: aplicación web Elicit.
Clase 5: IA Generativa para Imágenes. Criterios y Aplicaciones: GPT, QWENCHAT, GEMINI. Generación de videos con Invideo
Clase 6: Google AI STUDIO. Generación de texto e imágenes. Google AI Studio como asesor de trabajo a través de Stream. Uso de Gamma para generación de ppt.
Clase 7. IA aplicada al análisis de textos y videos, esquemas, resúmenes y podcast desde PDF. Elaboración de videos con IA (QWENChat/Invideo) y Taller de Integración II.
Clase 8: Presentación de Proyectos Finales y Clausura del Módulo 1.

Módulo 2CIENCIA DE DATOS CON PYTHON

Descripción: Este curso aborda la ingeniería de datos fundamental para cualquier proyecto ambiental, enfocándose en la limpieza, manipulación y selección estratégica de variables utilizando el ecosistema de Python.
Plan de Estudio:
Clase 1: Entorno de Python para Ciencia de Datos. Instalación y configuración (Anaconda, VS Code, Google Colab). Estructuras de datos básicas.
Clase 2: Análisis Exploratorio de Datos (EDA) I: Análisis Cualitativos. Manejo de datos categóricos en encuestas y monitoreos ambientales.
Clase 3: Análisis Exploratorio de Datos (EDA) II: Análisis Cuantitativos. Estadística descriptiva con Pandas y Numpy.
Clase 4: Visualización de Datos I. Gráficos estáticos y principios de comunicación visual con Matplotlib.
Clase 5: Visualización de Datos II. Gráficos estadísticos avanzados con Seaborn para variables ambientales.
Clase 6: Preprocesamiento de Datos I: Detección y tratamiento de Outliers (Valores atípicos) en series temporales y espaciales.: Preprocesamiento de Datos II: Técnicas de Imputación de datos faltantes (Simple e iterativa). Pipeline de Ingeniería de Datos aplicado a un dataset real
Clase 7: Selección de Variables (Feature Selection) I: Importancia de variables con Random Forest y método Boruta. Selección de Variables II: Eliminación Recursiva de Características (RFE) y optimización del dataset.
Clase 8: Presentación de Proyectos

Módulo 3MACHINE LEARNING I

Descripción: Dominio de algoritmos supervisados y no supervisados. Se enfoca en agrupar datos ecológicos (Clustering) y generar modelos predictivos de clasificación y regresión robustos.
Plan de Estudio:
Clase 1: Aprendizaje No Supervisado I: Clustering No Jerárquico (K-Means), PAM, FUZZY. Aplicación en clasificación de especies o zonas.
Clase 2: Aprendizaje No Supervisado II: Clustering Jerárquico (Dendrogramas). Interpretación ecológica.
Clase 3: Reducción de la Dimensionalidad. Análisis de Componentes Principales (PCA) para datos multivariados.
Clase 4: Métodos de Ordenación Ecológica I: Escalamiento Multidimensional No Métrico (NMDS): Ideal para datos de conteo de especies no lineales. Análisis de Coordenadas Principales (PCoA). Evaluación de la calidad de la ordenación (Stress).
Clase 5: Métodos de Ordenación Ecológica II: Análisis de correspondencia y Correspondencia corregida. Análisis de la relación de especies y los sitios de muestreo. Análisis gráficos.
Clase 6: Introducción a la minería de texto. Minería de Texto (Text Mining) para Datos Ambientales. Limpieza de texto: Tokenización, eliminación de stopwords (palabras vacías) y stemming en informes técnicos o papers. Nube de Palabras y Frecuencias: Visualización rápida de términos clave en normativas o EIAs.
Clase 7: Introducción a la minería de texto II: Uso de API para procesar varios pdf usando modelos de GEMINI.
Clase 8: Presentación de proyectos en Ciencias Ambientales

Módulo 4MACHINE LEARNING II

Descripción: Dominio de algoritmos supervisados. Se enfoca en los métodos de clasificación y de regresión, aplica a datos en ciencias ambientales.
Plan de Estudio:
Clase 1: Métodos de Clasificación I. Bases de la clasificación en ML y Métricas de evaluación (Matriz de confusión, ROC, AUC). Regresión Logística.
Clase 2: Métodos de Clasificación II. Algoritmos basados en distancia e hiperplanos: K-Nearest Neighbors (KNN) y Máquinas de Vectores de Soporte (SVM).
Clase 3: Métodos de Clasificación III. Modelos basados en árboles: Decision Trees, Random Forest y Gradient Boosting.
Clase 4: Métodos de Regresión I. Fundamentos teóricos. Regresión Lineal Simple y Múltiple. Métricas de error (RMSE, MAE, MAPE).
Clase 5: Métodos de Regresión II. Regresión no lineal con K-Nearest Neighbors (KNN) y Support Vector Regression (SVR).
Clase 6: Métodos de Regresión III. Modelos de ensamble para regresión: Decision Trees, Random Forest y Gradient Boosting.
Clase 7: Comparación de algoritmos de clasificación y regresión.
Clase 8: Presentación de Proyectos de Machine Learning (Modelado Predictivo).

Módulo 5DEEP LEARNING Y DESPLIEGUE WEB

Descripción: Curso avanzado enfocado en redes neuronales artificiales, visión por computadora y la puesta en producción (deployment) de los modelos generados para que sean accesibles vía web.
Plan de Estudio:
Clase 1: Teoría de Inteligencia Artificial Moderna. Diferencias entre ML y DL. Arquitectura de un Perceptrón Multicapa.
Clase 2: Deep Learning para Clasificación. Construcción de redes densas con Keras/TensorFlow para datos tabulares.
Clase 3: Deep Learning para Regresión. Predicción de variables continuas ambientales usando redes neuronales profundas.
Clase 4: Introducción a la Visión por Computadora. Teoría de Redes Neuronales Convolucionales (CNN). Uso de Teachable Machine.
Clase 5: Modelado web de Teachable Machine con Python. Exportación de modelos de imágenes y consumo en script local.
Clase 6: Fundamentos de Despliegue Web (MLOps básico). Introducción a Streamlit y configuración de entorno en Visual Studio Code.
Clase 7: Despliegue web de modelos de Machine Learning I. Creación de app interactiva para modelos de Clasificación (Random Forest/SVM).
Clase 8: Presentación de Proyectos Finales Integrales (Modelo + Aplicativo Web).

Docente

Mg. Orlando Advíncula Zeballos · Consultor Estratégico Especializado en Análisis de Datos Ambientales

Certificación

Certificado de aprobación con nota mínima de 14 y 80 % de asistencia, con código de seguridad verificable en línea.