Curso de Machine Learning en Perú: modelos predictivos para tu chamba

Respuesta corta: el curso de Machine Learning de ProgramBI en Perú es un programa en vivo por Zoom de 20 horas, de 17:30 a 19:30, hora de Perú, dirigido a personas que ya manejan Python y quieren construir modelos predictivos para el negocio. Se divide en dos módulos: aprendizaje supervisado (regresión, clasificación, árboles, ensembles y validación) y no supervisado (K-Means, PCA, t-SNE, detección de anomalías y reglas de asociación). El precio es S/ 349.00, con grabaciones de por vida y certificado digital.

La ficha, revisada el 4 de noviembre de 2026, indica cupos abiertos con fecha por confirmar. El pago se hace en soles con Mercado Pago Perú, Yape, Plin o transferencia.

De dónde salen los datos en una empresa peruana

La ficha del curso para Perú describe un escenario que muchos reconocerán: se parte de los comprobantes electrónicos de SUNAT, los reportes de planta y las planillas de campo. Son fuentes distintas, a veces desordenadas, pero con algo en común: registran lo que pasó con fecha, lugar y cantidad. Una vez limpias y unidas, se convierten en historia suficiente para entrenar modelos.

¿Qué tipo de preguntas se pueden responder?

• En una planta: ¿qué combinación de condiciones de operación anticipa un mayor costo por unidad?
• En campo: ¿qué lotes o cuadrillas rinden distinto al resto y por qué?
• En ventas: ¿cuánto venderá cada tienda por categoría en las próximas semanas?
• En finanzas: ¿qué clientes tienen más riesgo de pagar tarde?

Temario del curso

Módulo 1 — Machine learning supervisado. Trabajas con datos que ya tienen la respuesta y entrenas modelos para predecirla:

• Regresión lineal y polinómica para estimar valores continuos, como costo, producción o ventas.
• Clasificación con regresión logística y SVM para asignar casos a categorías.
• Árboles de decisión y métodos ensemble para relaciones no lineales y muchas variables.
• Validación cruzada y métricas para medir el desempeño real del modelo.

Módulo 2 — Machine learning no supervisado. Buscas patrones sin una respuesta previa:

• K-Means para agrupar casos parecidos.
• PCA y t-SNE para reducir la cantidad de variables y visualizar.
• Detección de anomalías para encontrar lo que se sale de lo normal.
• Reglas de asociación para descubrir productos que se compran juntos.

Ejemplo: anomalías en reportes de planta

from sklearn.ensemble import IsolationForest

vars_ = ["consumo_energia", "tonelaje", "horas_operacion", "costo_unitario"]
iso = IsolationForest(contamination=0.02, random_state=7)
planta["anomalia"] = iso.fit_predict(planta[vars_])

revisar = planta[planta["anomalia"] == -1].sort_values("fecha")
print(revisar[["fecha", "turno"] + vars_].head(20))

Este modelo no necesita que alguien haya marcado antes qué días fueron "malos". Aprende cómo luce un día normal y señala los que se alejan del patrón. El resultado es una lista corta de turnos para revisar con el jefe de planta: quizás un error de digitación, quizás un problema real de operación. En el curso se discute cómo elegir el porcentaje de anomalías esperado y cómo validar con el equipo que las alertas tengan sentido.

Cuatro aplicaciones que encajan en Perú

Producción y costos. Un modelo de regresión o de árboles relaciona el costo por unidad con variables de operación —horas, insumos, turno, equipo— y muestra cuáles pesan más. Es un primer paso para pasar de explicar el costo del mes pasado a anticiparlo.

Agroexportación y campo. Con las planillas de campo digitalizadas, K-Means agrupa lotes o cuadrillas con rendimientos parecidos y la detección de anomalías marca registros fuera de rango, útiles para revisar antes de consolidar.

Retail por tienda y categoría. Pronosticar ventas por tienda y categoría ayuda a planificar inventario y personal, sobre todo en temporadas altas.

Cobranza. Con historial de pagos, un clasificador ordena a los clientes por probabilidad de atraso para que el equipo empiece por los de mayor riesgo.

¿Estás listo? Haz esta prueba

El curso es para quienes ya manejan Python. Antes de inscribirte, intenta esto en un notebook:

1. Carga un archivo de Excel con pandas.
2. Elimina filas vacías y convierte una columna de texto a fecha.
3. Calcula el total por mes con groupby.
4. Grafica el resultado.

Si lo logras sin mayor problema, estás listo. Si te trabaste, el curso de Python para datos en Perú cubre exactamente esa base.

Errores que conviene evitar desde el inicio

• Unir fuentes sin una llave común. Si los reportes de planta y las planillas de campo usan códigos distintos, el modelo aprende sobre datos mal cruzados. Antes de modelar, normaliza.
• Ignorar los valores faltantes. Un registro de campo sin dato no es lo mismo que un cero.
• Usar solo la exactitud. Con eventos poco frecuentes, como fallas o atrasos, hay que mirar precisión y sensibilidad.
• Entrenar una vez y olvidarse. Las condiciones cambian por temporada; define cada cuánto reentrenas.
• Presentar números sin contexto. "El modelo tiene 0,82 de AUC" no le dice nada al gerente; "con esta lista recuperamos más pagos llamando a la mitad de clientes" sí.

Glosario mínimo

• Etiqueta: la respuesta que quieres predecir.
• Atributos: las columnas que usas para predecir.
• Sobreajuste: el modelo memoriza el pasado y falla con lo nuevo.
• Ensemble: muchos modelos simples combinados en uno más robusto.
• Clúster: grupo de casos parecidos encontrado sin etiqueta.
• Anomalía: registro que se aleja del patrón habitual.

Un mes para llevarlo a tu trabajo

Semana 1 — Elegir el problema. Busca una pregunta que hoy se responda "a ojo" y que tenga historia registrada: costo por unidad en planta, ventas por tienda, atrasos de pago. Escribe en una línea quién usará la predicción y para qué.

Semana 2 — Ordenar los datos. Une los comprobantes, reportes o planillas en una sola tabla con una fila por caso. Revisa fechas, códigos y faltantes. Esta etapa suele tomar más tiempo del esperado, y está bien.

Semana 3 — Modelo base y mejora. Parte con una regresión o una logística, mide con validación cruzada y luego prueba un árbol o un ensemble. Quédate con el que mejore la métrica que importa para la decisión.

Semana 4 — Presentarlo. Lleva los resultados a una reunión corta con el área usuaria: qué predice el modelo, cuánto se equivoca y qué cambiaría en su día a día. Si se entusiasman, el siguiente paso es el tablero.

Cómo sacarle el jugo a las clases en vivo

Llega a cada sesión con tu propio dataset en mente y aplica la técnica del día sobre él en la semana. Pregunta en vivo cuando algo no cuadre con tus datos: esas dudas suelen ser las más útiles para todo el grupo. Y usa las grabaciones para repasar el código con calma el fin de semana.

Machine learning y tu chamba

En LinkedIn, Computrabajo y Bumeran Perú, las ofertas de científico de datos, analista de datos o analista de riesgos suelen pedir Python y, con frecuencia, experiencia en modelos predictivos. Lo que más ayuda a destacar es un proyecto propio bien explicado: el problema, los datos, el modelo base, las mejoras, la métrica elegida y la recomendación final. El proyecto con datos reales del curso puede ser el primero de ese portafolio.

Cuando el modelo tiene que llegar al gerente

La última milla casi siempre es un tablero. Guardas las predicciones o las alertas en una tabla y las muestras en Power BI, filtrables por planta, tienda o zona. Para esa parte está el curso de Power BI en Perú y la guía para aprender Power BI en Perú.

Horario y pago desde Perú

Las clases son de 17:30 a 19:30 en Lima. Perú se mantiene en UTC-5 todo el año y Chile cambia con el horario de verano, por eso la ficha aclara que la clase se ve a las 17:30 cuando Chile está en verano y a las 18:30 en invierno; la ficha de cada cohorte muestra la hora exacta. El pago es en soles con Mercado Pago Perú (tarjeta de crédito o débito), Yape, Plin o transferencia bancaria.

Datos clave

• 20 horas en 2 módulos.
• En vivo por Zoom; cupos abiertos, fecha por confirmar.
• Grabaciones de por vida, certificado digital y proyectos con datos reales.
• Instructor: Manuel Oliva, Magíster en Data Science (UAI).
• Precio: S/ 349.00.

Formas de pago: los cursos de ProgramBI se pueden pagar en 3 cuotas sin interés, en todos los países.