# 🤖 Fundamentos de Inteligencia Artificial y Machine Learning

![Python](https://img.shields.io/badge/Python-3.x-blue)
![Machine Learning](https://img.shields.io/badge/Machine-Learning-success)
![Google Colab](https://img.shields.io/badge/Google-Colab-orange)
![Status](https://img.shields.io/badge/Status-Completed-brightgreen)

## 📖 Descripción

Este repositorio documenta mi proceso de aprendizaje en **Inteligencia Artificial y Machine Learning**, incluyendo notebooks, ejercicios prácticos y experimentos desarrollados durante el curso **Fundamentos de IA y Machine Learning**.

A lo largo del curso exploré los principales paradigmas del aprendizaje automático, desde modelos supervisados y no supervisados hasta técnicas modernas de visión computacional, procesamiento de lenguaje natural y aprendizaje por refuerzo.

---

## 🎯 Objetivos del Curso

* Comprender los fundamentos de la Inteligencia Artificial.
* Construir modelos de clasificación y regresión.
* Evaluar y validar modelos de Machine Learning.
* Aplicar técnicas de optimización y ajuste de hiperparámetros.
* Implementar algoritmos de clustering y reducción de dimensionalidad.
* Introducir conceptos de Deep Learning.
* Explorar aplicaciones de Computer Vision y NLP.
* Comprender los principios básicos del Reinforcement Learning.

---

## 📚 Temas Estudiados

### 🔹 Aprendizaje Supervisado

* Clasificación
* Regresión
* Métricas de validación
* Dataset Iris
* Selección de características
* Ajuste de hiperparámetros
* Ensamble de modelos

### 🔹 Aprendizaje No Supervisado

* Clustering
* Agrupamiento jerárquico
* Segmentación de clientes
* Reducción de dimensionalidad con PCA

### 🔹 Visión Computacional

* Representación y procesamiento de imágenes
* Redes Neuronales Convolucionales (CNN)
* Clasificación de imágenes
* Identificación de objetos con MobileNetV2

### 🔹 Procesamiento de Lenguaje Natural (NLP)

* Fundamentos de NLP
* Transformers
* Aplicaciones prácticas del procesamiento de texto

### 🔹 Aprendizaje por Refuerzo

* Exploración vs Explotación
* Estrategias de aprendizaje
* Casos de uso empresariales
* Desafíos del Machine Learning moderno

---

## 🛠️ Tecnologías Utilizadas

* Python
* Google Colab
* NumPy
* Pandas
* Matplotlib
* Scikit-Learn
* TensorFlow
* Keras

---

## 📓 Notebook Principal

El desarrollo completo del curso se encuentra documentado en el notebook principal:

➡️ **[Abrir Notebook](./Curso_Fundamentos_IA_Machine_Learning.ipynb)**

GitHub permite visualizar directamente el notebook con:

* Código fuente
* Explicaciones teóricas
* Resultados
* Tablas
* Gráficas

---

## 🚀 Competencias Desarrolladas

✔️ Preparación y análisis de datos

✔️ Construcción de modelos predictivos

✔️ Evaluación y optimización de modelos

✔️ Computer Vision

✔️ Procesamiento de Lenguaje Natural

✔️ Reinforcement Learning

✔️ Desarrollo de proyectos utilizando Google Colab

---

## 💡 Principales Aprendizajes

Durante este curso adquirí una visión general del ecosistema de Inteligencia Artificial y Machine Learning, comprendiendo cuándo utilizar técnicas supervisadas, no supervisadas y de aprendizaje profundo para resolver diferentes tipos de problemas.

Además, desarrollé experiencia práctica utilizando herramientas ampliamente empleadas en la industria para análisis de datos, entrenamiento de modelos y experimentación en entornos de ciencia de datos.

---

## 👨‍💻 Autor

**Cristian Cruz**

Estudiante de tecnología y entusiasta del desarrollo de software, la Inteligencia Artificial y el Machine Learning.

---

⭐ Si este repositorio te resulta útil o interesante, considera darle una estrella.