Institución: Centro de Investigación Científica y de Educación Superior de Ensenada (CICESE) - Universidad Autónoma de Baja California (UABC)
Instructor: Dr. Irvin Hussein López Nava
Duración total: 8 horas
Modalidad: Teoría + Prácticas
Establecer las bases conceptuales y metodológicas de la minería de datos como componente fundamental de la inteligencia artificial aplicada, con énfasis en aplicaciones en ciencia de materiales y procesos industriales.
📄 Material teórico: M1-1_Intro.pdf
Contenido:
- 1.1 ¿Qué es la minería de datos?
- Definición y objetivos
- Ciclo de vida del proceso de minería de datos
- 1.2 Conceptos básicos
- Atributos y tipos de atributos: nominales, ordinales, discretos, continuos
- Tareas principales: regresión, clasificación, agrupamiento
- Clasificación: binaria, multiclase, multi-etiqueta, multi-instancia
- 1.3 Visualización de datos
- Exploración de datos: histogramas, diagramas de caja, mapas de calor, proyecciones 2D y 3D
- Herramientas: Pandas, Matplotlib, Seaborn (en Python)
📓 Notebook:
Contenido:
- 2.1 Visualización de conjuntos de datos genéricos
- Cantidades
- Distribuciones
- Proporciones
- Asociaciones
- Variables ordenadas
- 2.2 Exploración de un conjunto de datos real
- Análisis completo del Wine Quality Dataset
- Identificación de tipos de atributos
- Detección de problemas en los datos
- Preparación para modelado
Ejercicios incluidos:
- ✅ 3 ejercicios guiados intercalados
- ✅ 1 ejercicio final integrador
📄 Material teórico: M1-3_Limpieza.pdf
Contenido:
- 3.1 Calidad de datos y preprocesamiento
- 3.2 Reducción de dimensionalidad
- 3.3 Selección de atributos
- 3.4 Discretización y balanceo de clases
📓 Notebook:
Contenido:
- 4.1 Limpieza y preprocesamiento
- 4.2 Reducción de dimensionalidad
- 4.3 Selección de atributos
- 4.4 Discretización y balanceo de clases.
📄 Material teórico: M1-5_Evaluacion.pdf
Contenido:
- 5.1 Partición de datos y validación
- 5.2 Métricas de rendimiento
📓 Notebook:
Contenido:
- 6.1 Validación de modelo simple
- 6.2 Análisis de resultados
- 6.3 Comparación de métricas
- 6.4 Interpretación de resultados
-
Descargar materiales teóricos:
- Haz clic en los archivos PDF y descárgalos
- Revísalos antes de cada sesión
-
Trabajar con notebooks:
- Haz clic en el badge
- El notebook se abrirá en Google Colab
- Importante: Guarda una copia en tu Drive:
File → Save a copy in Drive - Trabaja en tu copia personal
- Haz clic en el badge
-
Requisitos previos:
- Cuenta de Google (para usar Colab)
- Conocimientos básicos de Python (variables, funciones, listas)
- No se requiere instalación local
diplomado-ia/
├── README.md # Este archivo
├── M1-1_Intro.pdf # Teoría: Introducción
├── M1-2_Ejercicios_Visualizacion.ipynb # Práctica: Visualización
├── M1-3_Limpieza.pdf # Teoría: Limpieza
├── M1-4_Ejercicios_Limpieza.ipynb # Práctica: Limpieza (próximamente)
├── M1-5_Evaluacion.pdf # Teoría: Evaluación (próximamente)
└── M1-6_Ejercicios_Validacion.ipynb # Práctica: Evaluación (próximamente)
- ✅ Navegador web moderno (Chrome, Firefox, Safari)
- ✅ Cuenta de Google
- ✅ Conexión a internet estable
Todas se instalan automáticamente en Colab:
pandas- Manipulación de datosnumpy- Operaciones numéricasmatplotlib- Visualización básicaseaborn- Visualización estadísticascikit-learn- Machine learning (en módulos posteriores)
- Aggarwal, C. C. (2015). Data Mining: The Textbook. Springer.
- Wilke, C. O. (2019). Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. O'Reilly Media.
- McKinney, W. (2017). Python for Data Analysis. O'Reilly Media.
- Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media.
Este módulo forma parte del tronco común del diplomado y sienta las bases para:
-
Módulo 2: Aprendizaje de Máquina
- Algoritmos supervisados y no supervisados
- Optimización de hiperparámetros
- Ensambles y métodos avanzados
-
Módulo 3: Aprendizaje Profundo
- Redes neuronales artificiales
- Redes convolucionales (CNN)
- Redes recurrentes (RNN)
-
Módulos de Especialización:
- Aplicaciones en ciencia de materiales
- Procesamiento de imágenes científicas
- Optimización de procesos industriales
| Fecha | Sesión | Tema | Material |
|---|---|---|---|
| Martes 10/Feb | 1 | Introducción y Fundamentos | M1-1_Intro.pdf |
| Martes 10/Feb | 2 | Ejercicios de Visualización | Notebook Colab |
| Martes 10/Feb | 3 | Limpieza y Preparación | M1-3_Limpieza.pdf |
| Martes 17/Feb | 4 | Ejercicios de Limpieza | Notebook Colab |
| Martes 17/Feb | 5 | Evaluación de Modelos | M1-5_Evaluacion.pdf |
| Martes 17/Feb | 6 | Ejercicios de Evaluación | Notebook Colab |
No. Todos los ejercicios se realizan en Google Colab, que funciona completamente en la nube.
Los notebooks están diseñados para diferentes niveles. Incluyen explicaciones detalladas y ejemplos paso a paso. Se recomienda revisar los fundamentos de Python antes de comenzar.
Sí, pero asegúrate de guardar tu propia copia primero (File → Save a copy in Drive). Los cambios en la versión compartida no se guardarán.
No. Google Colab requiere conexión a internet. Para trabajar offline, considera instalar Jupyter Notebook localmente.
Instructor: Dr. Irvin Hussein López Nava
Institución:
- Centro de Investigación Científica y de Educación Superior de Ensenada (CICESE)
- Facultad de Ciencias, Universidad Autónoma de Baja California (UABC)
Este material educativo está bajo una Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0).
Esto significa que puedes:
- ✅ Compartir — copiar y redistribuir el material en cualquier medio o formato
- ✅ Adaptar — remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente
Bajo los siguientes términos:
- 📌 Atribución — Debes dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puedes hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tienes el apoyo del licenciante o lo recibes por el uso que haces.
Formato APA:
López Nava, I. H. (2025). Diplomado en Inteligencia Artificial - Módulo 1:
Introducción a la Minería de Datos. CICESE-UABC.
https://github.com/husseinlopez/diplomadoIA
Licencia: CC BY 4.0
Formato breve:
Material basado en "Diplomado en IA - Módulo 1" por Dr. Irvin Hussein López Nava
(CICESE-UABC). Disponible en: https://github.com/husseinlopez/diplomadoIA
Licencia: CC BY 4.0
Para más información sobre esta licencia, visita: https://creativecommons.org/licenses/by/4.0/deed.es
- 23/ene/2026 - Módulo 1 primera parte (Introducción [1 hr]; Ejercicios de Visualización [2 hrs])
- 30/ene/2026 - Módulo 1 primera parte (Limpieza y Preparación de Datos [1 hr])
- 15/feb/2026 - Módulo 1 segunda parte (Ejercicios Prácticos e Integración [2 hrs]; Validación y Evaluación de Modelos [1 hr]; Ejercicios Prácticos e Integración [1 hr])
¡Bienvenidos al mundo de la Minería de Datos y la Inteligencia Artificial! 🚀