IA Aplicada: Proyectos Reales — Estándar (60h · $197)

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

Coordinador: Héctor Bolívar Velasco Álvarez

Modalidad: Virtual · Área MDT: 06

Estructura: 6 módulos × 5 temas × 2h = 60h

---

Para quién es (perfiles SENIOR)

Ingenieros, desarrolladores y profesionales técnicos con dominio de Python que quieren transicionar a roles de ML Engineer o desarrollador de IA en empresas ecuatorianas. Ideal para quien ya sabe programar y necesita aplicar esa base a proyectos reales de IA con arquitectura profesional, portafolio en GitHub y salida directa al mercado laboral senior de Ecuador 2026.

Perfiles típicos:

• Desarrolladores de software que quieren especializarse en IA
• Ingenieros de sistemas con experiencia en bases de datos y lógica aplicada
• Analistas técnicos que buscan dominar arquitecturas de IA robustas
• Profesionales con 1–3 años en tecnología que apuntan a roles de $1,500+/mes

---

Objetivo general

Desarrollar competencias avanzadas de arquitectura de software orientada a objetos, álgebra lineal aplicada a IA, estadística inferencial para evaluación de modelos y diseño de bases de datos eficientes — construyendo un portafolio de 3 proyectos reales documentados en GitHub con datos del Ecuador (agroindustria, banca y salud pública) que demuestren capacidad de entrega profesional para roles de ML Engineer junior-senior.

---

Módulos y temas

Módulo 1: Arquitectura POO para sistemas de IA (10h)

#	Tema	Horas	Aprenderás
1.1	POO completo: clases, constructores, destructores y slots	2h	Diseñar clases robustas con `__init__`, `__del__` y `__slots__` para optimizar memoria en sistemas de IA
1.2	Encapsulamiento profundo: propiedades, descriptores y MRO	2h	Implementar atributos privados, propiedades con getter/setter, descriptores y Method Resolution Order en herencia múltiple
1.3	Polimorfismo, dunder methods y clases abstractas (ABC)	2h	Aplicar duck typing, implementar `__str__`, `__repr__`, `__eq__`, `__len__` y definir interfaces con ABC
1.4	Patrones de diseño enterprise: Singleton, Factory y Observer	2h	Implementar Singleton para gestores de modelos ML, Factory para pipelines y Observer para monitoreo de métricas en tiempo real
1.5	Patrones Strategy y Decorator + testing con pytest	2h	Aplicar Strategy para selección dinámica de algoritmos, Decorator para logging de modelos, escribir tests unitarios con pytest

Módulo 2: Álgebra Lineal para IA — de la teoría al código (10h)

#	Tema	Horas	Aprenderás
2.1	Vectores: normas, proyecciones ortogonales y similitud coseno	2h	Calcular normas L1, L2 e infinito, proyecciones ortogonales y similitud de coseno para sistemas de búsqueda semántica
2.2	Matrices: operaciones completas, inversa y determinantes	2h	Ejecutar multiplicación matricial, transpuesta, inversa y pseudoinversa con NumPy; interpretar el rango de la matriz
2.3	Sistemas de ecuaciones y factorizaciones LU/QR	2h	Resolver sistemas con eliminación gaussiana con pivoteo, introducción a factorizaciones LU y QR conceptuales
2.4	Autovalores, autovectores y diagonalización	2h	Calcular autovalores y autovectores completos con NumPy, entender la diagonalización y su conexión con embeddings
2.5	PCA implementado desde cero + SVD conceptual	2h	Implementar PCA con NumPy sobre dataset real, interpretar varianza explicada y aplicar SVD a compresión de imágenes

Módulo 3: Estadística Inferencial para evaluación de modelos (10h)

#	Tema	Horas	Aprenderás
3.1	Distribuciones de probabilidad y teorema de Bayes	2h	Trabajar con distribuciones normal, t-Student, chi-cuadrado y Poisson; aplicar Bayes a clasificadores probabilísticos
3.2	Intervalos de confianza al 95% y 99% sobre métricas de modelos	2h	Calcular intervalos de confianza para accuracy, F1-score y AUC-ROC usando bootstrap con SciPy
3.3	Pruebas de hipótesis: t-test, ANOVA y Kruskal-Wallis	2h	Ejecutar t-test de una y dos muestras, ANOVA y Kruskal-Wallis para comparar versiones de modelos de ML
3.4	Correlación, regresión lineal y evaluación estadística de ML	2h	Calcular correlaciones Pearson y Spearman, ajustar regresión lineal, interpretar correctamente precision, recall y AUC-ROC
3.5	Bases de datos avanzadas: SQL con funciones de ventana y ChromaDB	2h	Ejecutar funciones de ventana (ROW_NUMBER, LAG/LEAD), introducción a ChromaDB para embeddings en aplicaciones RAG

Módulo 4: Proyecto 1 — Motor de scoring agropecuario (10h)

#	Tema	Horas	Aprenderás
4.1	Diseño de arquitectura POO con patrones enterprise	2h	Modelar clases Productor, Parcela, ModeloRiesgo con Factory y Strategy; diagramar arquitectura en Draw.io
4.2	ETL con datos del MAGAP y BanEcuador	2h	Extraer y limpiar datos públicos de rendimiento agrícola y tasas de mora con Pandas; análisis exploratorio
4.3	Transformaciones matriciales y reducción de dimensionalidad	2h	Aplicar PCA para reducir variables correlacionadas, visualizar componentes y preparar features para el modelo
4.4	Regresión logística con validación cruzada k-fold	2h	Entrenar modelo con scikit-learn, aplicar validación cruzada, calcular AUC-ROC > 0.82 con intervalo de confianza
4.5	PostgreSQL, README profesional y publicación en GitHub	2h	Persistir predicciones en PostgreSQL, escribir README con instrucciones reproducibles, publicar con commits semánticos

Módulo 5: Proyecto 2 — Detector de anomalías financieras (10h)

#	Tema	Horas	Aprenderás
5.1	Arquitectura del detector con grafos de transacciones	2h	Modelar clases Transacción, CuentaBancaria, DetectorAnomalías; construir grafo de transacciones con NetworkX
5.2	Generación del dataset sintético con distribuciones SBS	2h	Crear dataset sintético de transacciones con Faker y distribuciones reales del sistema financiero ecuatoriano (SBS)
5.3	Estadística bayesiana para detección de fraude	2h	Implementar clasificador Naive Bayes bayesiano, calcular probabilidades a posteriori de fraude
5.4	Evaluación con curva ROC y análisis de grafos	2h	Calcular AUC-ROC, precision > 85%, recall > 70%; analizar comunidades sospechosas en el grafo de transacciones
5.5	Documentación técnica y peer review	2h	Documentar el pipeline completo, aplicar rúbrica de calidad de código y presentar ante compañeros

Módulo 6: Proyecto 3 — Clasificador NLP para salud pública (10h)

#	Tema	Horas	Aprenderás
6.1	Fundamentos de NLP: preprocesamiento de texto	2h	Aplicar tokenización, stemming, lemmatization con NLTK/spaCy sobre corpus de solicitudes de salud pública
6.2	TF-IDF y similitud de coseno para clasificación	2h	Vectorizar texto con TF-IDF, calcular similitud de coseno para enrutar solicitudes al área correcta
6.3	Introducción a embeddings con Sentence-Transformers	2h	Generar embeddings semánticos, comparar con TF-IDF, almacenar en ChromaDB para búsqueda semántica
6.4	Almacenamiento en PostgreSQL y evaluación del clasificador	2h	Persistir categorías y resultados en PostgreSQL, evaluar accuracy > 80% y documentar matriz de confusión
6.5	Portafolio GitHub: integración de los 3 proyectos	2h	Organizar el portafolio de 3 proyectos con README principal, plan de carrera y estrategia de LinkedIn Ecuador

---

Proyectos prácticos (5 proyectos avanzados con caso real Ecuador)

Proyecto 1 — Motor de scoring de riesgo agropecuario

Sector: Agroindustria ecuatoriana (cacao USD 756M exportaciones 2024; BanEcuador financia 300,000+ productores)

Dataset: MAGAP (rendimiento/ha, precipitación, zona geográfica), BanEcuador (tasas de mora por actividad)

Caso real: Modelo que predice la probabilidad de incumplimiento de un productor de cacao o banano al solicitar crédito rural

Arquitectura: Clases POO con Factory y Strategy, PCA con NumPy, regresión logística con validación k-fold, PostgreSQL

Métricas de éxito: AUC-ROC > 0.82, F1-score > 0.75 con intervalo de confianza del 95%

Proyecto 2 — Detector de anomalías en transacciones financieras

Sector: Banca Ecuador (Banco Pichincha — 320 personas en ciberseguridad; sistema financiero supervisado por SBS)

Dataset: Dataset sintético de 100,000+ transacciones con distribuciones reales del sistema financiero (SBS)

Caso real: Identificación de patrones anómalos en redes de transacciones para reducir fraude digital

Arquitectura: NetworkX para grafos, clasificador Naive Bayes bayesiano, PostgreSQL para historial

Métricas de éxito: Precision en clase fraude > 85%, recall > 70%, AUC > 0.87

Proyecto 3 — Clasificador de solicitudes del sector salud

Sector: Salud pública Ecuador (IESS, MSP, Solca)

Dataset: Corpus de 10,000 solicitudes de atención médica categorizadas (inspiradas en CIE-10)

Caso real: Sistema que categoriza solicitudes automáticamente para enrutar al área correcta del IESS

Arquitectura: TF-IDF + cosine similarity, ChromaDB para búsqueda semántica, PostgreSQL

Métricas de éxito: Accuracy > 80%, reducción simulada de tiempo de enrutamiento > 60%

Proyecto 4 — Análisis estadístico inferencial con datos INEC

Sector: Sector público Ecuador (INEC — Instituto Nacional de Estadística y Censos)

Dataset: Datos demográficos públicos del INEC (nacimientos, defunciones, matrimonios por provincia 2015–2024)

Caso real: Análisis inferencial para identificar patrones demográficos regionales estadísticamente significativos

Arquitectura: Python + Pandas + SciPy; ANOVA, Kruskal-Wallis, correlaciones Pearson entre variables

Métricas de éxito: p-valor < 0.05 en todas las hipótesis, visualizaciones claras con Matplotlib

Proyecto 5 — Sistema de recomendación para retail ecuatoriano

Sector: Retail Ecuador (Corporación Favorita — 260+ tiendas Supermaxi, TIA, Gran Akí)

Dataset: Instacart Market Basket Analysis adaptado con categorías de productos ecuatorianos

Caso real: Motor de recomendación de productos basado en historial de compras con arquitectura POO y álgebra matricial

Arquitectura: Collaborative filtering con matrices de similitud (NumPy), patrones Factory y Observer, SQL avanzado

Métricas de éxito: RMSE < 0.9, precision@10 > 0.35, README completo en GitHub

---

Herramientas (10–15 enterprise-grade 2026)

Python 3.11+, NumPy, SciPy, Statsmodels, Pingouin, Pandas, Scikit-learn, NLTK, spaCy, Sentence-Transformers, NetworkX, Matplotlib, Seaborn, Faker, VS Code, PyCharm, Jupyter Notebook, Google Colab, PostgreSQL, ChromaDB, DBeaver, LeetCode, Draw.io, GitHub (portafolio público)

---

Metodología

• **Learning by building:** cada módulo genera un entregable funcional de portafolio
• **Casos Ecuador-first:** datasets y contextos ecuatorianos verificables (MAGAP, SBS, INEC, IESS)
• **Peer review estructurado:** cada proyecto revisado por 2 compañeros con rúbrica de código, documentación y reproducibilidad
• **Code review síncrono:** sesión semanal de revisión de código en vivo con estándares enterprise
• **GitHub-first:** commits semánticos desde el Módulo 1; calidad del historial es parte de la evaluación

Distribución de evaluación

Componente	Peso
Proyecto 1: Motor de scoring agropecuario (POO + álgebra + k-fold)	20%
Proyecto 2: Detector de anomalías financieras (grafos + Bayes + ROC)	20%
Proyecto 3: Clasificador NLP salud pública (TF-IDF + ChromaDB + PostgreSQL)	20%
Proyecto 4: Análisis estadístico INEC (inferencial + visualización)	15%
Portafolio GitHub: README, commits y documentación técnica	15%
Participación activa y peer review	10%
**TOTAL**	**100%**

Calificación mínima de aprobación: 70/100. Asistencia mínima requerida: 70% (42 horas de 60).

---

Salida laboral Ecuador 2026 (roles SENIOR)

Rol	Empresa/Sector	Rango salarial referencial
ML Engineer junior	Startups tech Quito / Guayaquil	$1,200–$1,800/mes
Desarrollador de IA	Banco Pichincha, Banco del Pacífico, Produbanco	$1,400–$2,000/mes
Analista de datos técnico	SRI, Ministerio de Finanzas, BCE	$1,100–$1,600/mes
Científico de datos junior	CNT, Movistar Ecuador, Claro Ecuador	$1,200–$1,800/mes
Consultor técnico IA independiente	Empresas PYME Ecuador	$800–$2,500/proyecto

Fuente referencial: Glassdoor Ecuador 2025, multitrabajos.com, LinkedIn Ecuador (perfiles activos 2026). Salarios varían según sector: finanzas paga 15–25% más que el promedio.

---

Certificado MDT

Certificado de aprobación — "IA Aplicada: Proyectos Reales Estándar (60h)" emitido por ITSEIA ACADEMY S.A.S. bajo registro del Ministerio de Trabajo del Ecuador (MDT). Válido para hoja de vida, concursos de méritos en sector público (SENRES/MRL), procesos de contratación privada y reconocimiento de competencias en SETEC.

Fuentes verificables

• BanEcuador: estadísticas de cartera agropecuaria — www.banecuador.fin.ec
• MAGAP: rendimientos agrícolas por cultivo y zona — www.agricultura.gob.ec
• ProEcuador: exportaciones cacao USD 756M (2024) — www.proecuador.gob.ec
• SBS Ecuador: indicadores sistema financiero — www.superbancos.gob.ec
• INEC: estadísticas demográficas públicas — www.ecuadorencifras.gob.ec
• Glassdoor Ecuador 2025: rangos salariales referencial — www.glassdoor.com

---

*Operador: ITSEIA ACADEMY S.A.S. — RUC 1793233739001*

*Coordinador pedagógico: Héctor Bolívar Velasco Álvarez*

*Modalidad virtual · Precio: $197 · 60 horas · Máximo 25 participantes · Área MDT: 06 — Informática y Comunicación*

Reservar Estándar por $197

IA Aplicada: Proyectos Reales — Completo (80h · $297)

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

Coordinador: Héctor Bolívar Velasco Álvarez

Modalidad: Virtual · Área MDT: 06

Estructura: 8 módulos × 5 temas × 2h = 80h

---

Para quién es (perfiles SENIOR)

Ingenieros, desarrolladores y profesionales técnicos con visión clara de posicionarse como ML Engineers o arquitectos de sistemas de IA en el mercado ecuatoriano y latinoamericano. Para quienes quieren ir más allá del código: desplegar modelos en la nube, usar herramientas enterprise reales (AWS SageMaker, MLflow 2.x, Vertex AI), construir un portafolio de 5 proyectos publicados y recibir mentoría directa de Héctor Velasco para diseñar su carrera en IA.

Perfiles típicos:

• Ingenieros de software con 2+ años de experiencia que apuntan a ML Engineer senior ($2,200–$4,000/mes en Ecuador)
• Profesionales técnicos que quieren liderar proyectos de IA en su empresa actual
• Desarrolladores que necesitan dominar MLOps y despliegue en la nube para ser competitivos en 2026
• Quienes buscan consultoría independiente de IA con casos reales documentados

---

Objetivo general

Alcanzar dominio completo en arquitectura de software para IA, álgebra lineal y estadística inferencial aplicadas a modelos, bases de datos avanzadas con SQL complejo y bases vectoriales, y MLOps con herramientas enterprise — construyendo 5 proyectos reales de portafolio con datos ecuatorianos, resolviendo un caso real supervisado de cliente ITSEIA, preparándose para certificación en la nube y recibiendo mentoría 1:1 de Héctor Velasco para el plan de carrera en IA Ecuador 2026.

---

Módulos y temas

Módulo 1: Arquitectura POO avanzada para sistemas de IA (10h)

#	Tema	Horas	Aprenderás
1.1	POO avanzado: slots, properties, descriptores y MRO	2h	Optimizar memoria con `__slots__`, diseñar descriptores reutilizables, dominar el MRO en herencia múltiple compleja
1.2	Patrones enterprise: Singleton, Factory y Observer	2h	Implementar Singleton para gestores de modelos, Factory para pipelines de ML, Observer para monitoreo de métricas en producción
1.3	Patrones Strategy, Decorator y Chain of Responsibility	2h	Aplicar Strategy para selección dinámica de algoritmos, Decorator para logging automático, Chain of Responsibility para pipelines de validación
1.4	Testing unitario con pytest y modelado UML enterprise	2h	Escribir tests unitarios y de integración con pytest para código de IA, modelar arquitecturas con Draw.io para documentación técnica
1.5	Git avanzado: branching, pull requests y code review	2h	Gestionar ramas feature/develop/main, crear PRs descriptivos, revisar código con estándares enterprise en GitHub

Módulo 2: Álgebra Lineal profunda para IA y ML (10h)

#	Tema	Horas	Aprenderás
2.1	Vectores completos: normas L1/L2/inf, proyecciones y distancias	2h	Calcular normas vectoriales, proyecciones ortogonales, distancias euclidianas y de Mahalanobis para clustering y búsqueda
2.2	Matrices: inversa, pseudoinversa, factorizaciones LU y QR	2h	Aplicar factorizaciones LU y QR en sistemas lineales, calcular pseudoinversa de Moore-Penrose con NumPy
2.3	Autovalores, autovectores y diagonalización completa	2h	Calcular autovalores y autovectores completos, diagonalizar matrices, conectar con capas de atención en transformers
2.4	PCA implementado desde cero y SVD aplicado	2h	Implementar PCA con NumPy, aplicar SVD a compresión de imágenes, interpretar la reconstrucción con k componentes
2.5	Conexión álgebra lineal con redes neuronales y embeddings	2h	Visualizar cómo cada capa de red neuronal es una transformación lineal + no linealidad; embeddings como vectores en espacio latente

Módulo 3: Estadística Inferencial rigurosa para evaluación de IA (10h)

#	Tema	Horas	Aprenderás
3.1	Distribuciones y detección de outliers: IQR, z-score y Grubbs	2h	Identificar distribuciones en datasets de IA, detectar outliers con IQR, z-score y test de Grubbs, tratar con Winsorizing
3.2	Intervalos de confianza y bootstrap para métricas de modelos	2h	Calcular intervalos de confianza al 90/95/99% con bootstrap sobre AUC-ROC, F1-score y accuracy de modelos
3.3	Pruebas de hipótesis completas: t-test, ANOVA y Mann-Whitney	2h	Ejecutar pruebas paramétricas y no paramétricas, verificar supuestos con Shapiro-Wilk y Levene, interpretar correctamente p-valor
3.4	Potencia estadística, tamaño de efecto y validación cruzada	2h	Calcular potencia estadística con Cohen's d, tamaño de efecto eta², validación cruzada k-fold con análisis estadístico
3.5	SQL avanzado: funciones de ventana, CTEs y bases vectoriales	2h	Dominar ROW_NUMBER, RANK, LAG/LEAD, NTILE, CTEs recursivas; introducción a ChromaDB y Pinecone para RAG y embeddings

Módulo 4: Proyecto 1 — Sistema de scoring crediticio agropecuario (10h)

#	Tema	Horas	Aprenderás
4.1	Arquitectura enterprise: Factory, Strategy y logging con MLflow	2h	Diseñar la arquitectura del sistema con patrones enterprise, configurar MLflow 2.x para tracking de experimentos
4.2	ETL con datos del MAGAP, SBS y BanEcuador	2h	Extraer y limpiar datos públicos de producción agrícola y mora crediticia, construir pipeline reproducible con Pandas
4.3	PCA, feature engineering y selección de variables	2h	Aplicar PCA para reducir multicolinealidad, generar features derivadas, seleccionar variables con correlación y VIF
4.4	Regresión logística con validación k-fold y MLflow tracking	2h	Entrenar y comparar versiones del modelo con MLflow, calcular AUC-ROC > 0.85 con intervalo de confianza del 95%
4.5	PostgreSQL avanzado y documentación enterprise en GitHub	2h	Persistir experimentos y predicciones en PostgreSQL con funciones de ventana, escribir documentación técnica completa

Módulo 5: Proyecto 2 — Detector de fraude con grafos y Bayes (10h)

#	Tema	Horas	Aprenderás
5.1	Arquitectura del detector y grafo de transacciones con NetworkX	2h	Modelar red de transacciones bancarias como grafo dirigido, identificar nodos de alto riesgo con métricas de centralidad
5.2	Dataset sintético enterprise con distribuciones SBS (100k+ registros)	2h	Generar dataset sintético profesional con Faker y distribuciones reales del sistema financiero ecuatoriano (SBS)
5.3	Clasificador Naive Bayes bayesiano y detección de comunidades	2h	Implementar clasificador bayesiano, detectar comunidades sospechosas con algoritmos de grafos (Louvain, BFS)
5.4	Evaluación rigurosa: curva ROC, precision-recall y bootstrapping	2h	Documentar curva ROC con AUC > 0.87, calcular precisión en clase fraude > 88%, recall > 72% con bootstrap
5.5	MLflow tracking del experimento y peer review estructurado	2h	Registrar el experimento completo en MLflow, aplicar rúbrica de peer review de 5 dimensiones antes de la entrega

Módulo 6: Proyecto 3 — NLP para soporte al cliente en telecomunicaciones (10h)

#	Tema	Horas	Aprenderás
6.1	Preprocesamiento NLP: tokenización, POS tagging y NER	2h	Aplicar pipeline completo de NLP con spaCy sobre corpus de soporte al cliente de telecomunicaciones ecuatorianas
6.2	TF-IDF, cosine similarity y clasificación de intenciones	2h	Vectorizar texto con TF-IDF, clasificar intenciones (avería, facturación, portabilidad) con similitud de coseno
6.3	Embeddings semánticos con Sentence-Transformers y ChromaDB	2h	Generar embeddings de alta calidad, almacenarlos en ChromaDB para búsqueda semántica rápida en producción
6.4	Evaluación: accuracy > 84%, matriz de confusión y análisis de errores	2h	Calcular accuracy > 84%, analizar errores de clasificación, proponer mejoras con ingeniería de prompts
6.5	Interfaz Python, PostgreSQL y documentación para LinkedIn	2h	Construir interfaz de línea de comandos, persistir resultados en PostgreSQL, documentar el proyecto para el portafolio

Módulo 7: Proyecto 4 — Sistema de recomendación retail + análisis RRHH (10h)

#	Tema	Horas	Aprenderás
7.1	Collaborative filtering con matrices de similitud NumPy	2h	Implementar filtrado colaborativo user-based y item-based, calcular matrices de similitud con operaciones vectoriales
7.2	SVD para matrix factorization y recomendación	2h	Aplicar SVD para factorización de matrices de valoraciones, comparar con collaborative filtering en RMSE y precision@10
7.3	SQL avanzado: funciones de ventana para rankings de productos	2h	Implementar RANK, DENSE_RANK, ROW_NUMBER y LAG para análisis temporal de popularidad de productos en PostgreSQL
7.4	RMSE < 0.88, precision@10 > 0.38 y cobertura de catálogo	2h	Evaluar el sistema de recomendación con métricas estándar, analizar la cobertura del catálogo y el cold-start problem
7.5	Integración de los 4 proyectos en portafolio GitHub coherente	2h	Organizar el portafolio con README principal, estructura de carpetas profesional y presentación para LinkedIn

Módulo 8: MLOps enterprise + mentoría Héctor + caso real cliente (10h)

#	Tema	Horas	Aprenderás
8.1	MLflow 2.x: tracking, registro de modelos y comparación de versiones	2h	Dominar MLflow para tracking completo de experimentos, registrar modelos con versiones, comparar métricas en la interfaz
8.2	AWS SageMaker y Google Vertex AI: casos de uso y arquitectura	2h	Configurar SageMaker notebooks, entender training jobs y endpoints de inferencia; Vertex AI para datasets tabulares
8.3	Docker básico para empaquetar modelos y CI/CD con GitHub Actions	2h	Crear Dockerfile para un modelo de scikit-learn, construir imagen, introducción a CI/CD con GitHub Actions para ML
8.4	Caso real cliente ITSEIA: resolución supervisada por Héctor	2h	Resolver un problema de IA de una empresa ecuatoriana real con la metodología completa aprendida en el curso
8.5	Mentoría 1:1 Héctor + plan de carrera + prep certificación nube	2h	Revisión personalizada del portafolio GitHub, estrategia LinkedIn Ecuador, plan de carrera a 12 meses, hoja de ruta de certificación

---

Proyectos prácticos (5+ proyectos avanzados con caso real Ecuador)

Proyecto 1 — Sistema de scoring crediticio agropecuario (portafolio principal)

Sector: Agroindustria + banca Ecuador (BanEcuador financia 300,000+ productores; cacao USD 756M exportaciones 2024)

Dataset: MAGAP (rendimiento/ha, zona, precipitación), SBS (indicadores de mora agropecuaria 2019–2024)

Caso real: Sistema que predice incumplimiento de productores de cacao y banano para optimizar decisiones de crédito rural

Arquitectura enterprise: Clases POO con patrones Strategy y Factory, PCA, regresión logística con validación k-fold, MLflow 2.x, PostgreSQL

Métricas de éxito: AUC-ROC > 0.85, F1-score > 0.78 con IC del 95%, documentación técnica y ejecutiva completa

Proyecto 2 — Detector de fraude financiero con grafos

Sector: Banca Ecuador (Banco Pichincha — 320 personas en ciberseguridad; sistema financiero supervisado por SBS)

Dataset: Dataset sintético de 100,000+ transacciones con distribuciones reales del sistema financiero (SBS)

Caso real: Modelo que identifica redes de transacciones sospechosas usando análisis de grafos y estadística bayesiana

Arquitectura enterprise: NetworkX para grafos de transacciones, algoritmos de comunidades, clasificador Naive Bayes bayesiano, MLflow tracking

Métricas de éxito: Precision en clase fraude > 88%, recall > 72%, AUC > 0.87

Proyecto 3 — NLP para soporte al cliente en telecomunicaciones

Sector: Telecomunicaciones Ecuador (CNT — 4.5M clientes; Movistar usa NLP para soporte automatizado)

Dataset: Corpus de 10,000 solicitudes de soporte categorizadas (avería, facturación, portabilidad, plan)

Caso real: Sistema de clasificación automática de intenciones para reducir tiempo de resolución en contact center ecuatoriano

Arquitectura enterprise: spaCy, TF-IDF, embeddings Sentence-Transformers, ChromaDB, PostgreSQL, interfaz Python

Métricas de éxito: Accuracy > 84%, reducción simulada de tiempo de enrutamiento > 65%, matriz de confusión documentada

Proyecto 4 — Sistema de recomendación para retail ecuatoriano

Sector: Retail Ecuador (Corporación Favorita — 260+ tiendas Supermaxi, TIA, Gran Akí)

Dataset: Instacart Market Basket Analysis adaptado con categorías y precios ecuatorianos

Caso real: Motor de recomendación de productos basado en historial de compras para aumentar ticket promedio

Arquitectura enterprise: Collaborative filtering + SVD matricial, PostgreSQL con funciones de ventana para rankings, patrón Factory

Métricas de éxito: RMSE < 0.88, precision@10 > 0.38, cobertura de catálogo > 70%

Proyecto 5 — Caso real cliente ITSEIA (consultoría supervisada)

Sector: A definir según perfil del participante (agroindustria, banca, salud, retail o sector público)

Dataset: Datos reales del cliente o datos públicos del sector seleccionado

Caso real: Problema de negocio real de empresa ecuatoriana vinculada al ecosistema ITSEIA

Arquitectura: Definida según el problema (POO + estadística + SQL + MLflow para tracking)

Métricas de éxito: Aprobación del cliente, documentación publicable en LinkedIn, presentación ejecutiva con impacto cuantificado

---

Herramientas (10–15 enterprise-grade 2026)

Python 3.11+, NumPy, SciPy, Statsmodels, Pingouin, Pandas, Scikit-learn, NLTK, spaCy, Sentence-Transformers, NetworkX, Matplotlib, Plotly, MLflow 2.x, AWS SageMaker (introducción), Google Vertex AI (introducción), Docker (básico), VS Code, PyCharm, Jupyter Notebook, Google Colab, PostgreSQL, ChromaDB, Pinecone (introducción), DBeaver, GitHub (portafolio público con CI/CD básico)

---

Metodología

• **Project-based learning (PBL):** el curso es 100% proyectos reales; cada línea de código tiene propósito de portafolio
• **Casos Ecuador-first:** datos de fuentes públicas verificables (MAGAP, SBS, INEC, IESS, ProEcuador)
• **Peer review estructurado:** rúbrica de 5 dimensiones (código, estadística, documentación, reproducibilidad, impacto)
• **MLOps desde el Módulo 4:** tracking con MLflow desde el primer proyecto real
• **GitHub-first con calidad enterprise:** commits semánticos, branches por feature, PRs con descripción

Distribución de evaluación

Componente	Peso
Proyecto 1: Scoring agropecuario (POO + PCA + MLflow + evaluación estadística)	20%
Proyecto 2: Detector de fraude (grafos + Bayes + métricas formales)	18%
Proyecto 3: NLP telecomunicaciones (embeddings + ChromaDB + clasificación)	17%
Proyecto 4: Sistema de recomendación retail (SVD + SQL avanzado)	15%
Proyecto 5: Caso real cliente ITSEIA (evaluado por Héctor Velasco)	20%
Participación activa, peer review y calidad de commits GitHub	10%
**TOTAL**	**100%**

Calificación mínima de aprobación: 70/100. Asistencia mínima requerida: 70% (56 horas de 80).

---

Salida laboral Ecuador 2026 (roles SENIOR)

Rol	Empresa/Sector	Rango salarial referencial
ML Engineer senior	Banco Pichincha, Produbanco, Banco del Pacífico	$2,200–$4,000/mes
Desarrollador de IA senior	CNT, Movistar Ecuador (NLP para soporte)	$1,600–$2,800/mes
Científico de datos	Solca (análisis oncológico), IESS, MSP	$1,500–$2,500/mes
Consultor de IA independiente	Empresas PYME y startups Ecuador	$1,500–$4,000/proyecto
Analista de IA sector público	SRI, BCE, Registro Civil	$1,200–$1,900/mes

Fuente referencial: Glassdoor Ecuador 2025 (Data Scientist promedio $1,842/año; perfiles senior con MLOps básico y nube ganan 40–60% más), multitrabajos.com, LinkedIn Ecuador.

---

Certificado MDT

Certificado de aprobación — "IA Aplicada: Proyectos Reales Completo (80h)" emitido por ITSEIA ACADEMY S.A.S. bajo registro del Ministerio de Trabajo del Ecuador (MDT). El nivel Completo incluye carta de recomendación firmada por Héctor Velasco para procesos de selección laboral o propuestas de consultoría.

Fuentes verificables

• BanEcuador: cartera agropecuaria — www.banecuador.fin.ec
• MAGAP: rendimientos agrícolas — www.agricultura.gob.ec
• ProEcuador: exportaciones cacao USD 756M (2024) — www.proecuador.gob.ec
• SBS Ecuador: indicadores sistema financiero — www.superbancos.gob.ec
• CNT Ecuador: estadísticas de usuarios — www.cnt.gob.ec
• MLflow: documentación oficial 2.x — mlflow.org
• AWS SageMaker: documentación — docs.aws.amazon.com/sagemaker
• Glassdoor Ecuador 2025: rangos salariales — www.glassdoor.com

---

*Operador: ITSEIA ACADEMY S.A.S. — RUC 1793233739001*

*Coordinador pedagógico: Héctor Bolívar Velasco Álvarez*

*Modalidad virtual · Precio: $297 · 80 horas · Máximo 25 participantes · Área MDT: 06 — Informática y Comunicación*

Reservar Completo por $297