Machine Learning Aplicado a Negocios — Estándar (60h · $197)

Operador: ITSEIA ACADEMY S.A.S. (RUC 1793233739001)

Coordinador Pedagógico: Héctor Bolívar Velasco Álvarez

Modalidad: Virtual · Área MDT: 06 — Informática y Comunicación

Estructura: 6 módulos × 5 temas × 2 horas por tema = 60h totales

---

Para quién es (4 perfiles)

• Analistas de datos con conocimientos de Python y Pandas que quieren dominar el stack completo de Machine Learning: modelos supervisados, no supervisados, métodos ensemble y series temporales, aplicados a casos reales del mercado ecuatoriano
• Profesionales de banca, telecomunicaciones y retail (Banco Pichincha, Produbanco, cooperativas de ahorro, Claro, Movistar, Corporación Favorita) que trabajan en proyectos de predicción de churn, detección de fraude, segmentación de clientes u optimización de inventarios y quieren construir modelos propios
• Ingenieros y analistas de datos que quieren ampliar sus capacidades hacia modelos avanzados con XGBoost, LightGBM y pronóstico temporal con Prophet, las herramientas más demandadas en ofertas de trabajo de datos en Ecuador y LATAM en 2026
• Científicos de datos junior que buscan completar el ciclo de ML — desde el modelado hasta la presentación de resultados con impacto de negocio medible — y construir un portafolio con proyectos sobre datos ecuatorianos reales

---

Objetivo general

Desarrollar competencias sólidas en Machine Learning aplicado a problemas reales de negocios ecuatorianos, construyendo y evaluando modelos predictivos de regresión, clasificación, clustering y series temporales con el stack profesional 2026: Scikit-learn 1.5, XGBoost, LightGBM, Optuna y Prophet. El participante egresa capaz de seleccionar el algoritmo más adecuado para cada tipo de problema empresarial, optimizar hiperparámetros de forma sistemática, interpretar los resultados con herramientas de explicabilidad (SHAP) y presentar el impacto de negocio de sus modelos a audiencias ejecutivas no técnicas.

---

Módulos y temas

Módulo 1: Fundamentos de Machine Learning para Negocios (10h)

#	Tema	Horas	Lo que vas a aprender
1.1	ML en empresas ecuatorianas: casos reales y ecosistema	2h	Por qué empresas ecuatorianas ya usan ML: Banco Pichincha en fraude, Corporación Favorita en predicción de demanda, Claro en predicción de churn; tipos de ML: supervisado, no supervisado, por refuerzo; ciclo de vida de un proyecto de ML en una empresa desde la pregunta de negocio hasta la recomendación accionable
1.2	Preparación del entorno profesional de ML	2h	Anaconda, Jupyter Notebook, Google Colab; instalación de Scikit-learn, XGBoost, LightGBM, SHAP y Optuna; configuración de un proyecto de ML con estructura de carpetas; primer notebook de ML configurado y listo para trabajar
1.3	División de datos y validación cruzada	2h	Train/test/validation split: por qué el orden importa en datos con temporalidad; estratificación para clases desbalanceadas; validación cruzada k-fold: cómo estimar el rendimiento real del modelo; fuga de datos (data leakage): el error más caro y cómo evitarlo; ejercicio práctico: dividir correctamente un dataset de churn ecuatoriano
1.4	Métricas de evaluación según el problema de negocio	2h	Métricas de regresión: RMSE, MAE, R², MAPE en unidades de negocio; métricas de clasificación: accuracy, precision, recall, F1-score — cuál usar según el costo del error; AUC-ROC para comparar modelos independientemente del umbral; cómo presentar métricas técnicas a directivos sin que los aburran
1.5	Scikit-learn: la API consistente del ecosistema ML	2h	Por qué Scikit-learn sigue siendo el estándar para datos tabulares en 2026; filosofía fit/transform/predict: cambiar de modelo es cambiar una línea de código; Pipelines de Scikit-learn para evitar fuga de datos; ColumnTransformer para preprocesar diferentes tipos de columnas; construcción del primer pipeline de ML completo

Módulo 2: Aprendizaje Supervisado — Regresión para Predicción Numérica (10h)

#	Tema	Horas	Lo que vas a aprender
2.1	Regresión lineal: supuestos, implementación y diagnóstico	2h	Regresión lineal simple y múltiple; supuestos del modelo lineal: linealidad, homocedasticidad, independencia; análisis de residuos para detectar violaciones; interpretación de coeficientes en lenguaje de negocio; ejercicio: predicción de precios de arriendo de vivienda en Quito por sector (Cumbayá, Norte, Sur, Valle de los Chillos)
2.2	Regularización: Ridge, Lasso y ElasticNet	2h	Por qué la regresión lineal falla con muchas variables; Ridge (L2): reduce todos los coeficientes sin eliminarlos; Lasso (L1): selección automática de variables relevantes; ElasticNet: combinación óptima; ejercicio práctico: regularización sobre dataset de exportaciones ecuatorianas (banano, camarón, flores) con múltiples variables
2.3	Feature engineering para regresión	2h	Creación de variables derivadas: ratios, diferencias y porcentajes; variables de temporalidad: mes, trimestre, año, feriados Ecuador (Navidad, Carnaval, Semana Santa, feriados locales); regresión polinómica para relaciones no lineales; ejercicio: mejorar el modelo de predicción de ventas con variables de calendario ecuatoriano
2.4	Implementación completa con Scikit-learn Pipeline	2h	Pipeline con preprocesamiento + modelo: StandardScaler, OneHotEncoder, GridSearchCV integrados; por qué el Pipeline evita la fuga de datos de validación; validación cruzada dentro del Pipeline; exportación del Pipeline entrenado para reutilización; ejercicio: Pipeline completo para predicción de demanda de exportaciones
2.5	Proyecto de regresión: predicción de ventas con impacto de negocio	2h	Pronóstico de ventas mensuales de empresa retail ecuatoriana: construcción completa del modelo, análisis de errores por período y región, presentación de resultados con RMSE en unidades de negocio (soles/cajas/unidades); cálculo del ahorro en inventario por reducción del error de pronóstico; presentación ante la clase

Módulo 3: Aprendizaje Supervisado — Clasificación para Decisiones de Negocio (10h)

#	Tema	Horas	Lo que vas a aprender
3.1	Regresión logística y árboles de decisión	2h	Regresión logística: el modelo de referencia para clasificación binaria; cuándo la regresión logística es suficiente y cuándo no; árboles de decisión: visualización completa del proceso de decisión para directivos; profundidad máxima, criterio de split y poda; ejercicio: clasificador de mora en créditos de cooperativas ecuatorianas
3.2	Random Forest: el modelo robusto de producción	2h	Por qué Random Forest supera a los árboles individuales; bagging y aleatoriedad de features; importancia de variables (feature importance): comunicar qué factores importan más al negocio; manejo nativo de desbalance de clases; ejercicio: detector de transacciones fraudulentas en el sistema financiero ecuatoriano con análisis de feature importance
3.3	SVM, KNN y Naive Bayes	2h	Support Vector Machines: el hiperplano de margen máximo — cuándo usar con kernel RBF; K-Nearest Neighbors: clasificación por vecindad — sensibilidad al número de vecinos K; Naive Bayes: eficiencia para clasificación de texto y datos categóricos; comparativa de velocidad de entrenamiento e inferencia en datasets de tamaño empresarial ecuatoriano
3.4	Matrices de confusión y umbral de decisión óptimo	2h	Matriz de confusión completa con interpretación de negocio; precision vs. recall: el tradeoff clave — ¿qué es más caro para el negocio, un falso positivo o un falso negativo?; curva Precision-Recall para clases desbalanceadas; curva ROC/AUC para comparar modelos; selección del umbral de decisión óptimo según el costo del error de negocio (fraude bancario: ¿bloquear transacciones legítimas o dejar pasar fraude?)
3.5	Proyecto de clasificación: predicción de churn en telecomunicaciones	2h	Predicción de abandono de clientes (churn) en empresa de telecomunicaciones ecuatoriana; comparativa completa: Regresión Logística vs. Árbol de Decisión vs. Random Forest; análisis ROC/AUC comparativo; selección del umbral de decisión óptimo; propuesta de estrategia de retención por segmento con costo estimado y ROI proyectado

Módulo 4: Aprendizaje No Supervisado — Segmentación y Patrones (10h)

#	Tema	Horas	Lo que vas a aprender
4.1	K-Means y método del codo para clustering	2h	Concepto de clustering: agrupar sin etiquetas; K-Means: el algoritmo más usado en marketing; método del codo (elbow method) para elegir el número óptimo de clusters K; silhouette score para evaluar la calidad del clustering; ejercicio: segmentación inicial de clientes de empresa retail ecuatoriana
4.2	DBSCAN, clustering jerárquico y evaluación	2h	DBSCAN: clusters de forma irregular y detección automática de ruido/outliers; clustering jerárquico con dendrogramas: cuándo usarlo; comparativa K-Means vs. DBSCAN vs. jerárquico; silhouette analysis para evaluar y comparar métodos; ejercicio: detección de anomalías en datos de transacciones financieras
4.3	Reducción de dimensionalidad con PCA y t-SNE	2h	Por qué reducir dimensiones: el problema de la maldición de la dimensionalidad; PCA (Análisis de Componentes Principales): proyección lineal, varianza explicada, visualización 2D de datos multidimensionales; t-SNE para visualización no lineal de clusters; ejercicio: visualización de segmentos de clientes en 2D con PCA
4.4	Segmentación RFM: el estándar del retail ecuatoriano	2h	Análisis RFM (Recencia, Frecuencia, Monto): el modelo estándar para segmentación de clientes; construcción de la segmentación RFM con K-Means; identificación de al menos 4 segmentos accionables: VIP, en riesgo, nuevos de potencial e inactivos; propuesta de campaña de marketing diferenciada por segmento con presupuesto y ROI estimado
4.5	Detección de anomalías e interpretación de segmentos	2h	Isolation Forest para detección de anomalías multivariable; reglas de asociación con Apriori: "quienes compran X también compran Y" — market basket analysis para retail ecuatoriano; interpretación de segmentos en términos de negocio; presentación de la segmentación ante directivos: cómo hacer accionable el clustering

Módulo 5: Métodos Ensemble y Optimización — el Salto a Alto Rendimiento (10h)

#	Tema	Horas	Lo que vas a aprender
5.1	Gradient Boosting: XGBoost en producción empresarial	2h	Por qué los métodos ensemble ganan en datos tabulares; Bagging vs. Boosting: la diferencia fundamental; Gradient Boosting: la idea de corregir errores iterativamente; XGBoost: el modelo más usado en producción empresarial; implementación completa con XGBoost sobre datos de churn ecuatoriano
5.2	LightGBM y CatBoost: velocidad y variables categóricas	2h	LightGBM: entrenamiento 13x más rápido que XGBoost en datasets con millones de filas (benchmark Microsoft Research con 119M de filas); CatBoost: manejo nativo de variables categóricas sin encoding manual; cuándo usar XGBoost, LightGBM o CatBoost según el proyecto; comparativa de velocidad y métricas en dataset ecuatoriano de alto volumen
5.3	Optuna: optimización automática de hiperparámetros	2h	Por qué la búsqueda manual de hiperparámetros no escala; Grid Search y Random Search: sus limitaciones; Optuna: búsqueda bayesiana con pruning inteligente (elimina experimentos malos temprano); configuración del espacio de búsqueda para XGBoost y LightGBM; ejercicio práctico: optimizar el modelo de churn con Optuna hasta superar el baseline
5.4	SHAP: explicabilidad de modelos para directivos	2h	Por qué la explicabilidad es crítica para reguladores y directivos en 2026; SHAP (SHapley Additive exPlanations): teoría de juegos aplicada a ML; gráficos de barras de feature importance global con SHAP; gráficos de fuerza para explicar predicciones individuales; beeswarm plots para el impacto de cada variable; caso práctico: explicar qué lleva a un cliente a hacer churn en telecomunicaciones Ecuador
5.5	Pipeline completo XGBoost + Optuna + SHAP con datos Ecuador	2h	Construcción del pipeline completo: preprocesamiento → XGBoost → Optuna → SHAP → informe ejecutivo; predicción de churn en empresa de telecomunicaciones ecuatoriana; análisis SHAP completo con gráficos listos para presentar a directivos; recomendación de estrategia de retención basada en los factores más influyentes identificados por SHAP

Módulo 6: ML para Series Temporales + Proyecto Integrador Ecuador (10h)

#	Tema	Horas	Lo que vas a aprender
6.1	Componentes de series temporales y modelos estadísticos	2h	Componentes: tendencia, estacionalidad, ciclo y ruido; descomposición con statsmodels; estacionariedad y test ADF; modelos ARIMA: identificación de parámetros p, d, q con ACF y PACF; SARIMA para estacionalidad múltiple; ejercicio: decomposición de series de ventas de empresa ecuatoriana
6.2	ARIMA calibrado sobre datos reales de Ecuador	2h	Calibración de ARIMA sobre ventas semanales de cadena de distribución ecuatoriana; validación con walk-forward (simulación de producción real); métricas temporales: MAE, RMSE, MAPE; identificación de las semanas con mayor error (feriados, temporadas); interpretación de los resultados para el equipo de inventarios
6.3	Prophet (Meta): pronóstico robusto con feriados Ecuador	2h	Por qué Prophet fue diseñado para el mundo real: robusto a outliers, días faltantes y cambios de tendencia; configuración del componente de feriados con calendario ecuatoriano oficial (Navidad, Año Nuevo, Carnaval, Semana Santa, Día del Trabajo, independencias, feriados locales); visualización automática de componentes; Prophet vs. ARIMA: cuándo usar cada uno
6.4	Comparativa ARIMA vs. Prophet y proyección de inventarios	2h	Evaluación comparativa de ARIMA vs. Prophet sobre el mismo dataset de ventas ecuatoriano; selección del modelo con mejor MAPE y justificación; proyección de inventario óptimo para reducción de merma: cuánto producto pedir cada semana según el pronóstico; cálculo del ahorro en merma en USD para la empresa
6.5	Proyecto integrador end-to-end: ciclo completo de ML en un negocio Ecuador	2h	El participante aplica el ciclo completo de ML a un problema de negocio real de su sector (banca, retail, salud, agro o telecomunicaciones); desde la preparación de datos hasta el pitch ejecutivo de resultados; pitch de 10 minutos ante la clase con: problema, modelo elegido, métricas técnicas, impacto de negocio cuantificado en USD y recomendación accionable

---

Proyectos prácticos

#	Proyecto	Dataset / Fuente	Métrica de éxito	Entregable
1	Predicción de precios de vivienda en Quito	Portales inmobiliarios ecuatorianos: sector, m2, habitaciones, parqueaderos	R² mayor a 0.75 con análisis de errores por zona	Modelo interpretable + informe de coeficientes en lenguaje de negocio
2	Detector de transacciones fraudulentas	Datos representativos del sistema financiero ecuatoriano (estructura bancaria)	AUC mayor a 0.90 + recomendación de umbral justificada en costo de negocio	Clasificador Random Forest vs. XGBoost con análisis ROC/AUC completo
3	Segmentación RFM de clientes retail ecuatoriano	Datos de transacciones de empresa retail Ecuador (datos del curso)	Al menos 4 segmentos accionables con propuesta de campaña y ROI proyectado	Mapa de segmentos con PCA 2D + recomendaciones de acción por segmento
4	Predicción de churn con XGBoost + Optuna + SHAP	Datos de telecomunicaciones ecuatorianas (estructura de empresa local)	Pipeline optimizado con Optuna + análisis SHAP con 5 variables más influyentes	Notebook documentado + análisis SHAP listo para directivos + estrategia de retención
5	Pronóstico de ventas: ARIMA vs. Prophet con feriados Ecuador	Ventas semanales de cadena de distribución ecuatoriana + calendario feriados oficiales	Modelo seleccionado con MAPE justificado + ahorro en merma cuantificado en USD	Comparativa técnica + proyección de inventario óptimo + pitch ejecutivo de impacto

---

Herramientas

Herramienta	Versión 2026	Para qué
Scikit-learn	1.5+	Framework ML completo, API consistente para todos los modelos
XGBoost	2.x	Gradient boosting de alto rendimiento, más usado en producción
LightGBM	4.x	Entrenamiento 13x más rápido en datasets grandes
CatBoost	1.x	Variables categóricas sin encoding, competitivo con XGBoost
Optuna	3.x	Optimización automática de hiperparámetros con pruning inteligente
SHAP	0.45+	Explicabilidad global y local de cualquier modelo
LIME	0.2+	Explicaciones locales de predicciones individuales
Prophet (Meta)	1.1+	Pronóstico temporal con feriados Ecuador incorporados
statsmodels (ARIMA/SARIMA)	0.14+	Modelos estadísticos clásicos para series temporales
Pandas + Polars	2.x / 1.x	Preparación y manipulación de datos para ML
Matplotlib + Seaborn	3.x / 0.13+	Visualización de resultados de modelos
GitHub + Kaggle	2026	Portafolio y benchmarking con la comunidad global de ML

---

Metodología y evaluación

Formato: 60% sesiones sincrónicas en vivo con live-coding + 40% práctica asincrónica con notebooks de proyectos sobre datos Ecuador

Distribución de la evaluación:

Componente	Peso
Módulo 1: Quiz de fundamentos ML + configuración del entorno	5%
Módulo 2: Modelo de regresión sobre datos Ecuador (R² objetivo >0.75)	15%
Módulo 3: Clasificador con análisis ROC/AUC comparativo y umbral de decisión	15%
Módulo 4: Segmentación RFM con clustering + propuesta de marketing accionable	15%
Módulo 5: Pipeline XGBoost + Optuna con análisis SHAP interpretable	15%
Módulo 6: Pronóstico series temporales + proyecto integrador end-to-end	25%
Participación activa en sesiones sincrónicas y foros asincrónicos	10%
**TOTAL**	**100%**

• Asistencia mínima: 70% (42 de 60 horas)
• Calificación mínima de aprobación: 70/100
• Sistema: escala 0-100

---

Salida laboral Ecuador 2026

Rol	Salario inicial	Senior	Empresas
Científico de Datos Junior-Medio	$1,000/mes	$3,500/mes	Banco Pichincha, Produbanco, Globant Ecuador
Ingeniero de Machine Learning	$1,200/mes	$4,500/mes	Empresas tecnología, sector financiero
Analista de Riesgo con ML	$1,100/mes	$3,500/mes	Bancos, aseguradoras, cooperativas de ahorro
Especialista en Predicción de Demanda	$900/mes	$2,800/mes	Corporación Favorita, distribuidoras, exportadoras
ML Engineer remoto para LATAM	$2,000/mes	$6,000/mes	Empresas extranjeras con talento Ecuador

Los ingenieros de ML en Ecuador ganan en promedio alrededor de $50,000 USD anuales ($4,000/mes), con Banco Pichincha pagando $4,500-$6,500/mes a nivel senior y Globant hasta $8,500/mes en roles de lead (aprender21.com 2026, nucamp.co 2026). El dominio de XGBoost, SHAP y Prophet es el diferenciador más consistente en el mercado.

---

Certificado MDT

Categoría Corta 60h · Avalado por el Ministerio del Trabajo del Ecuador

Operador: ITSEIA ACADEMY S.A.S. · RUC 1793233739001

Modalidad: Virtual · Área: 06 — Informática y Comunicación

---

Fuentes y referencias verificables

#	Referencia
1	Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3.a ed.). O'Reilly Media.
2	LightGBM 13x más rápido que XGBoost en 119M filas (benchmark Microsoft Research): https://www.spaceo.ai/blog/machine-learning-tech-stack/
3	Aprender21 (2026). Salario ML engineer Ecuador $50,000/año promedio: https://www.aprender21.com/blog/inteligencia-artificial-ecuador-guia-2026
4	Nucamp (2026). Top 10 tech companies Ecuador: Banco Pichincha $4,500-$6,500/mes, Globant $8,500/mes lead: https://www.nucamp.co/blog/coding-bootcamp-ecuador-ecu-top-10-tech-companies-to-work-for-in-ecuador-in-2025
5	SEPS (2026). Estadísticas del cooperativismo ecuatoriano: https://www.seps.gob.ec/
6	Scikit-learn 2026 sigue siendo referencia para fraud detection, churn y scoring: https://scale.jobs/blog/top-ml-frameworks-job-seekers

---

*ITSEIA ACADEMY S.A.S. — Instituto Ecuatoriano de Inteligencia Artificial*

*itseia.ai · administracion@itseia.ai · WhatsApp 0997489821*

*Inscripciones: itseia.ai/cursos · Abril 2026*

Reservar Estándar por $197

Machine Learning Aplicado a Negocios — Completo (80h · $297)

Operador: ITSEIA ACADEMY S.A.S. (RUC 1793233739001)

Coordinador Pedagógico: Héctor Bolívar Velasco Álvarez

Modalidad: Virtual · Área MDT: 06 — Informática y Comunicación

Estructura: 8 módulos × 5 temas × 2 horas por tema = 80h totales

---

Para quién es (4 perfiles)

• Científicos de datos que completaron el nivel Estándar y quieren dominar el ciclo completo de ML: desde la preparación de datos hasta el despliegue de un modelo en producción como API REST con FastAPI, con trazabilidad de experimentos con MLflow
• Ingenieros de software y desarrolladores Python que quieren especializarse en ML e integrarlo en aplicaciones reales: construir APIs de predicción que otros sistemas consuman, con fundamentos de MLOps y Docker
• Profesionales de banca, telecomunicaciones y retail con proyectos de alto impacto (detección de fraude, churn, predicción de demanda) que necesitan no solo el modelo, sino llevarlo a producción de forma reproducible y documentada
• Científicos de datos junior que buscan el nivel máximo de formación disponible, con un proyecto real de empresa cliente como cierre del portafolio y mentoría personalizada con Héctor Bolívar Velasco Álvarez

---

Objetivo general

Completar la formación integral en Machine Learning incorporando el despliegue de modelos en producción mediante APIs REST con FastAPI, la trazabilidad de experimentos con MLflow, introducción a Docker y los conceptos fundamentales de MLOps, la construcción de un portafolio GitHub profesional con proyectos documentados y APIs demostrables, y la resolución de un caso de negocio real de una empresa del ecosistema ITSEIA con mentoría 1:1. El participante egresa con el ciclo completo de ML dominado: desde la pregunta de negocio hasta una API de predicción funcional en producción, con un portafolio público verificable y experiencia en un proyecto empresarial real ecuatoriano.

---

Módulos y temas

Módulo 1: Fundamentos de Machine Learning para Negocios (10h)

#	Tema	Horas	Lo que vas a aprender
1.1	ML en empresas ecuatorianas y ecosistema profesional	2h	Casos reales: Banco Pichincha en fraude, Corporación Favorita en demanda, Claro en churn; tipos de ML; ciclo de vida de un proyecto en una empresa ecuatoriana; entorno: Anaconda, Jupyter, Google Colab, librerías del stack completo
1.2	Scikit-learn: la API consistente del ecosistema ML	2h	Filosofía fit/transform/predict; cambiar de modelo con una línea de código; Pipelines para evitar fuga de datos; ColumnTransformer para columnas heterogéneas; primer pipeline de ML completo configurado
1.3	División de datos y validación cruzada	2h	Train/test/validation split con temporalidad; estratificación para clases desbalanceadas; validación cruzada k-fold; data leakage: el error más caro en ML; ejercicio práctico: dividir correctamente un dataset de churn ecuatoriano
1.4	Métricas de evaluación y comunicación a directivos	2h	Regresión: RMSE, MAE, R², MAPE en unidades de negocio; clasificación: accuracy, precision, recall, F1-score, AUC-ROC; cómo presentar métricas técnicas a audiencias no técnicas; matrices de confusión en lenguaje de negocio
1.5	Sesgo, varianza, overfitting y diagnóstico de modelos	2h	Dilema sesgo-varianza con ejemplos de negocio; overfitting: por qué destruye los modelos en producción; curvas de aprendizaje para diagnóstico; validación cruzada como estimador honesto del rendimiento real

Módulo 2: Aprendizaje Supervisado — Regresión (10h)

#	Tema	Horas	Lo que vas a aprender
2.1	Regresión lineal: supuestos, diagnóstico e interpretación	2h	Regresión simple y múltiple; supuestos del modelo lineal; análisis de residuos; interpretación de coeficientes para directivos; ejercicio: predicción de precios de arriendo en Quito por sector (Cumbayá, Norte, Sur, Valle de los Chillos)
2.2	Regularización: Ridge, Lasso y ElasticNet	2h	Ridge (L2), Lasso (L1) y ElasticNet; selección automática de variables con Lasso; ejercicio: regularización sobre exportaciones ecuatorianas (banano, camarón, flores) con múltiples variables predictoras
2.3	Feature engineering con contexto Ecuador	2h	Variables derivadas: ratios, diferencias y porcentajes; variables de temporalidad con feriados ecuatorianos (Navidad, Carnaval, Semana Santa, feriados locales); regresión polinómica para relaciones no lineales; mejora del modelo de ventas con variables de calendario ecuatoriano
2.4	Pipeline completo con Scikit-learn	2h	Pipeline con StandardScaler + OneHotEncoder + modelo + validación cruzada; Grid Search integrado en el Pipeline; exportación del Pipeline entrenado para reutilización y despliegue; publicación en GitHub como Repositorio 1 del portafolio
2.5	Proyecto de regresión: predicción de precios vivienda Quito	2h	Regresión regularizada (Ridge/Lasso) para predecir arriendos en Quito; R² objetivo mayor a 0.75; análisis de errores por zona; informe de coeficientes en lenguaje de negocio; publicado en GitHub como Repositorio 1 con gráfico de coeficientes e interpretación

Módulo 3: Aprendizaje Supervisado — Clasificación (10h)

#	Tema	Horas	Lo que vas a aprender
3.1	Regresión logística y árboles de decisión	2h	Regresión logística: modelo de referencia para clasificación binaria; árbol de decisión: visualización completa e interpretable para directivos; poda y profundidad máxima; ejercicio: clasificador de mora en créditos de cooperativas ecuatorianas
3.2	Random Forest: el modelo robusto de producción	2h	Bagging y aleatoriedad de features; feature importance en lenguaje de negocio; manejo nativo de desbalance de clases; ejercicio: detector de fraude bancario con análisis de feature importance — publicado en GitHub como Repositorio 2
3.3	SVM, KNN y Naive Bayes	2h	SVM con kernel RBF para fronteras no lineales; KNN: sensibilidad al número de vecinos; Naive Bayes para categorías; comparativa de velocidad e interpretabilidad según el caso de negocio ecuatoriano
3.4	Matrices de confusión, ROC/AUC y umbral óptimo	2h	Matriz de confusión completa con costos de negocio; precision-recall tradeoff; curva ROC y AUC; selección del umbral de decisión óptimo según el costo del error (fraude: ¿bloquear legítimas o dejar pasar fraude?); curva Precision-Recall para clases desbalanceadas
3.5	Proyecto de clasificación: detector de fraude bancario	2h	Clasificador binario comparando Random Forest vs. XGBoost para fraude en datos representativos del sistema financiero ecuatoriano; análisis ROC/AUC completo; umbral de decisión óptimo justificado en costos de negocio; AUC objetivo mayor a 0.90; publicado en GitHub como Repositorio 2

Módulo 4: Aprendizaje No Supervisado (10h)

#	Tema	Horas	Lo que vas a aprender
4.1	K-Means y evaluación de clustering	2h	K-Means: el algoritmo más usado en marketing; método del codo y silhouette score para elegir K; ejercicio: primera segmentación de clientes de empresa retail ecuatoriana
4.2	DBSCAN y clustering jerárquico	2h	DBSCAN para clusters irregulares y detección de ruido/outliers; clustering jerárquico con dendrogramas; silhouette analysis comparativa; detección de anomalías en transacciones financieras
4.3	Reducción de dimensionalidad: PCA y t-SNE	2h	PCA: proyección lineal, varianza explicada, visualización 2D de segmentos; t-SNE para exploración no lineal; ejercicio: visualización de segmentos de clientes ecuatorianos con PCA — publicado en GitHub como Repositorio 3
4.4	Segmentación RFM y reglas de asociación	2h	Análisis RFM (Recencia, Frecuencia, Monto): estándar del retail ecuatoriano; 4 segmentos accionables: VIP, en riesgo, nuevos de potencial, inactivos; reglas de asociación con Apriori para market basket analysis; propuesta de campaña por segmento con ROI estimado
4.5	Isolation Forest y detección de anomalías	2h	Isolation Forest para anomalías multivariables; aplicación a detección de transacciones sospechosas y fraude sin etiquetas; evaluación de modelos no supervisados; presentación de los segmentos ante la clase como si fuera un equipo de marketing

Módulo 5: Métodos Ensemble y Optimización (10h)

#	Tema	Horas	Lo que vas a aprender
5.1	XGBoost: el más usado en producción empresarial	2h	Gradient Boosting: corregir errores iterativamente; XGBoost: regularización, manejo de nulos, paralelización; implementación completa sobre datos de churn ecuatoriano; comparativa con Random Forest en velocidad y métricas
5.2	LightGBM y CatBoost	2h	LightGBM: 13x más rápido que XGBoost en 119M filas (benchmark Microsoft Research); leaf-wise growth; CatBoost: variables categóricas sin encoding manual; cuándo elegir cada uno; benchmark en dataset ecuatoriano de alto volumen
5.3	Optuna: optimización automática de hiperparámetros	2h	Grid Search y Random Search: sus límites; Optuna: búsqueda bayesiana con pruning (elimina experimentos malos temprano); espacio de búsqueda para XGBoost y LightGBM; ejercicio: optimizar el modelo de churn con Optuna hasta superar el baseline
5.4	SHAP y LIME: explicabilidad para directivos y reguladores	2h	SHAP: teoría de juegos aplicada a ML; feature importance global con gráficos de barras; gráficos de fuerza para predicciones individuales; beeswarm plots; LIME para explicaciones locales; caso: explicar qué lleva a un cliente a hacer churn en telecomunicaciones Ecuador
5.5	Pipeline completo XGBoost + Optuna + SHAP	2h	Pipeline de producción: preprocesamiento → XGBoost → Optuna → SHAP → informe ejecutivo; pipeline de churn con análisis SHAP completo publicado en GitHub como Repositorio 4 con gráficos listos para directivos

Módulo 6: ML para Series Temporales (10h)

#	Tema	Horas	Lo que vas a aprender
6.1	Componentes de series temporales y descomposición	2h	Tendencia, estacionalidad, ciclo y ruido; descomposición con statsmodels; estacionariedad y test ADF; ACF y PACF para identificar parámetros de ARIMA; decomposición de series de ventas de empresa ecuatoriana
6.2	ARIMA calibrado sobre datos Ecuador	2h	ARIMA: calibración de p, d, q con datos reales; SARIMA para estacionalidad múltiple; validación walk-forward; métricas: MAE, RMSE, MAPE; análisis de errores en feriados y temporadas ecuatorianas
6.3	Prophet (Meta) con feriados Ecuador	2h	Configuración del calendario ecuatoriano oficial en Prophet (Navidad, Año Nuevo, Carnaval, Semana Santa, feriados locales); robustez a outliers y datos faltantes; visualización automática de componentes de tendencia y estacionalidad
6.4	Comparativa ARIMA vs. Prophet y proyección de inventarios	2h	Evaluación comparativa en el mismo dataset de ventas Ecuador; selección del modelo con mejor MAPE y justificación técnica; proyección de inventario óptimo para reducción de merma; cálculo del ahorro en merma en USD — publicado en GitHub como Repositorio 5
6.5	Aplicaciones de series temporales en sectores Ecuador	2h	Pronóstico de demanda energética (Ministerio de Energía); predicción de exportaciones ecuatorianas para ProEcuador; análisis de tendencias de precios del banano, cacao y camarón (datos BCE/MAGAP); preparación del dataset de series temporales del proyecto empresa

Módulo 7: Despliegue y Productivización de Modelos — MLOps básico (10h)

#	Tema	Horas	Lo que vas a aprender
7.1	Por qué el 80% de los modelos nunca llegan a producción	2h	El gap entre el notebook y producción; qué es MLOps y por qué cambió la industria; serialización de modelos: pickle y joblib; diferencias entre desplegar un modelo y desplegar una API; planificación del proyecto de despliegue
7.2	MLflow: trazabilidad de experimentos y model registry	2h	Configuración de MLflow localmente; registro automático de métricas, parámetros, hiperparámetros y el modelo; comparativa de experimentos en la UI de MLflow; model registry: versiones, staging y producción; registro del modelo de fraude del módulo 3 en MLflow
7.3	FastAPI: API REST de predicción con documentación automática	2h	Por qué FastAPI es el estándar para despliegue de modelos ML; estructura de una API de predicción: endpoint /predict con schema de entrada/salida; carga del modelo serializado; documentación automática con Swagger UI; manejo de errores y validación de entrada con Pydantic
7.4	Docker: contenedorización del stack ML	2h	Qué es Docker y por qué el modelo en tu computadora no funciona en el servidor; Dockerfile para el modelo + FastAPI; docker build y docker run; docker-compose para modelo + API en un solo comando; ejercicio: contenedorizar la API de fraude para que funcione en cualquier servidor con un solo comando
7.5	Monitoreo de modelos y MLOps: el ciclo completo	2h	Data drift: cuándo los datos cambian y el modelo se deteriora; model drift: cuándo las predicciones dejan de ser válidas; métricas de monitoreo en producción; alertas automáticas; el ciclo completo de MLOps: desde el notebook hasta el modelo monitoreado en producción; API FastAPI del modelo publicada en GitHub como Repositorio 6

Módulo 8: Portafolio GitHub + Caso Real de Empresa + Mentoría 1:1 (10h)

#	Tema	Horas	Lo que vas a aprender
8.1	Construcción del portafolio GitHub profesional	2h	READMEs de alto impacto con métricas, badges de tecnología y links al demo de la API; perfil GitHub optimizado con contribuciones visibles; README maestro que une los 7 repositorios del portafolio; estrategia de posicionamiento en LinkedIn como ML engineer con keywords de la industria 2026
8.2	Acceso al dataset real de empresa y definición del problema	2h	Dataset anonimizado de empresa del ecosistema ITSEIA (banca, retail, salud o agro según perfil del participante); análisis del problema empresarial con contexto de negocio real; definición del alcance, métricas de éxito y plan de entrega
8.3	Ciclo completo de ML sobre datos reales de empresa	2h	Limpieza y preparación del dataset real; modelado con el stack del curso: Scikit-learn + XGBoost/LightGBM + Optuna; análisis SHAP completo; construcción de la API FastAPI del modelo y registro en MLflow
8.4	Mentoría 1:1 — sesiones con Héctor Bolívar Velasco Álvarez	2h	Primera sesión individual de 45 minutos: revisión del portafolio GitHub completo + orientación de carrera personalizada hacia los roles de mayor crecimiento (ML engineer, científico de datos, MLOps); segunda sesión de 45 minutos: feedback del proyecto empresa + presentación ante panel evaluador + orientación sobre oportunidades en el ecosistema de datos Ecuador
8.5	Presentación final y carta de referencia profesional	2h	Presentación del ciclo completo de ML del proyecto empresa ante panel evaluador con al menos un directivo de la empresa cliente; entregables: notebook documentado, API FastAPI con endpoint de predicción, informe ejecutivo con impacto de negocio cuantificado en USD; carta de referencia profesional de ITSEIA ACADEMY S.A.S.; acceso a la red de empresas del ecosistema para oportunidades laborales

---

Proyectos prácticos

#	Proyecto	Dataset / Fuente	Métrica de éxito	Entregable
1	Predicción de precios de vivienda en Quito	Portales inmobiliarios ecuatorianos por sector	R² mayor a 0.75 + análisis de coeficientes en lenguaje de negocio	Repositorio 1 con README, gráfico de coeficientes y notebook documentado
2	Detector de fraude bancario con análisis ROC	Datos representativos del sistema financiero ecuatoriano	AUC mayor a 0.90 + umbral de decisión justificado en costos	Repositorio 2: Random Forest vs. XGBoost con análisis ROC/AUC completo
3	Segmentación RFM de clientes retail Ecuador	Transacciones de empresa retail ecuatoriana (datos del curso)	4 segmentos accionables + visualización PCA 2D + propuesta de campaña	Repositorio 3: clustering + PCA + propuesta diferenciada por segmento
4	Pipeline churn con XGBoost + Optuna + SHAP	Datos de telecomunicaciones ecuatorianas	Pipeline optimizado + análisis SHAP con 5 variables más influyentes	Repositorio 4: pipeline completo + gráficos SHAP listos para directivos
5	Pronóstico ventas: ARIMA vs. Prophet con feriados Ecuador	Ventas semanales cadena retail + calendario feriados oficiales	MAPE justificado + ahorro en merma cuantificado en USD	Repositorio 5: comparativa técnica + proyección de inventario óptimo
6	API FastAPI del modelo de fraude con MLflow + Docker	Modelo del Repositorio 2	API funcional con Swagger UI + experimento en MLflow + Dockerfile	Repositorio 6: API ejecutable con un solo comando `docker run`
7	Portafolio unificado con README maestro	6 repositorios anteriores + LinkedIn	Perfil GitHub profesional con 6 proyectos, demos y LinkedIn optimizado	README maestro + URL del portafolio + video de 5 minutos presentando el portafolio
8	Proyecto empresa cliente — ciclo ML completo	Dataset real bajo confidencialidad (ecosistema ITSEIA)	Modelo en producción como API + impacto de negocio cuantificado en USD	Notebook + API FastAPI + informe ejecutivo + presentación ante panel con directivo de la empresa

---

Herramientas

Herramienta	Versión 2026	Para qué
Scikit-learn	1.5+	Framework ML completo, API consistente para todos los modelos
XGBoost	2.x	Gradient boosting de alto rendimiento, más usado en producción
LightGBM	4.x	Entrenamiento 13x más rápido en datasets grandes
CatBoost	1.x	Variables categóricas sin encoding, competitivo con XGBoost
Optuna	3.x	Optimización automática de hiperparámetros con pruning
SHAP	0.45+	Explicabilidad global y local de cualquier modelo
LIME	0.2+	Explicaciones locales de predicciones individuales
Prophet (Meta)	1.1+	Pronóstico temporal con feriados Ecuador incorporados
statsmodels	0.14+	ARIMA/SARIMA para series temporales clásicas
FastAPI	0.110+	APIs REST de modelos ML con Swagger automático
MLflow	2.x	Trazabilidad de experimentos, model registry, reproducibilidad
Docker	26+	Contenedorización del stack ML para despliegue en cualquier servidor
GitHub + GitHub Actions	2026	Portafolio profesional público con CI/CD básico

---

Metodología y evaluación

Formato: 60% sesiones sincrónicas en vivo con live-coding + 40% práctica asincrónica en notebooks + 2 sesiones de mentoría 1:1

Distribución de la evaluación:

Componente	Peso
Módulos 1–6: Proyectos y evaluaciones del nivel Estándar (promedio)	35%
Módulo 7: API FastAPI funcional con MLflow + contenedor Docker documentado	15%
Módulo 8: Portafolio GitHub (7 repositorios, README maestro, video, LinkedIn)	15%
Módulo 8: Proyecto empresa cliente (ciclo ML completo, API, presentación ejecutiva)	25%
Sesiones de mentoría 1:1 y participación activa	10%
**TOTAL**	**100%**

• Asistencia mínima: 70% (56 de 80 horas)
• Calificación mínima de aprobación: 70/100
• Sistema: escala 0-100

---

Salida laboral Ecuador 2026

Rol	Salario inicial	Senior	Empresas
Científico de Datos Semi-senior	$1,500/mes	$4,500/mes	Banco Pichincha, Produbanco, Globant Ecuador
Ingeniero de Machine Learning	$1,800/mes	$6,000/mes	Empresas financieras, startups, multinacionales
ML Engineer remoto LATAM/USA	$2,500/mes	$8,500/mes	Empresas internacionales con talento remoto Ecuador
Científico de Datos sector financiero	$2,000/mes	$6,500/mes	Bancos privados, aseguradoras, fintech Ecuador
Consultor de ML freelance	$60/hora	$150/hora	PYMEs con proyectos de datos, exportadoras

En 2026, llevar modelos ML a producción confiable es la habilidad más escasa y mejor pagada. Un portafolio GitHub con una API FastAPI funcional, experimentos en MLflow y un proyecto real de empresa es el diferenciador que convierte una entrevista en una oferta de trabajo. Banco Pichincha paga $4,500-$6,500/mes a ingenieros ML senior; Globant llega a $8,500/mes en roles de lead.

---

Certificado MDT

Categoría Corta 80h · Avalado por el Ministerio del Trabajo del Ecuador

Operador: ITSEIA ACADEMY S.A.S. · RUC 1793233739001

Modalidad: Virtual · Área: 06 — Informática y Comunicación

Incluye además: constancia de 2 sesiones de mentoría 1:1 con Héctor Bolívar Velasco Álvarez y carta de referencia profesional de ITSEIA ACADEMY S.A.S.

---

Fuentes y referencias verificables

#	Referencia
1	Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3.a ed.). O'Reilly Media.
2	LightGBM 13x más rápido que XGBoost (benchmark Microsoft Research 119M filas): https://www.spaceo.ai/blog/machine-learning-tech-stack/
3	"El 80% de los modelos ML nunca llegan a producción": estado conocido del sector MLOps, documentado en múltiples fuentes académicas y de industria.
4	FastAPI como estándar de despliegue de modelos ML: https://www.f22labs.com/blogs/10-best-ai-model-deployment-tools/
5	Aprender21 (2026). Salario ML engineer Ecuador $50,000/año, Banco Pichincha $4,500-$6,500/mes, Globant $8,500/mes: https://www.aprender21.com/blog/inteligencia-artificial-ecuador-guia-2026
6	MLflow: el MLOps más adoptado 2025: https://www.kernshell.com/best-practices-for-scalable-machine-learning-deployment/
7	XGBoost dominante en competencias Kaggle datos tabulares: evidencia en Kaggle leaderboards 2024-2026.

---

*ITSEIA ACADEMY S.A.S. — Instituto Ecuatoriano de Inteligencia Artificial*

*itseia.ai · administracion@itseia.ai · WhatsApp 0997489821*

*Inscripciones: itseia.ai/cursos · Abril 2026*

Reservar Completo por $297