Return-Path: Delivered-To: transparencia@xicotepecpuebla.gob.mx Received: from vps2554416.cdpk.io by vps2554416.cdpk.io with LMTP id eJ5xBL5B5Wi7gxMAObWN/g (envelope-from ) for ; Tue, 07 Oct 2025 10:37:18 -0600 Return-path: Envelope-to: transparencia@xicotepecpuebla.gob.mx Delivery-date: Tue, 07 Oct 2025 10:37:18 -0600 Received: from vod1.customersignin.com ([74.48.78.80]:59805) by vps2554416.cdpk.io with esmtps (TLS1.2) tls TLS_ECDHE_RSA_WITH_AES_256_GCM_SHA384 (Exim 4.98.2) (envelope-from ) id 1v6Agg-00000005Mg5-3WZg for transparencia@xicotepecpuebla.gob.mx; Tue, 07 Oct 2025 10:37:17 -0600 DKIM-Signature: v=1; a=rsa-sha1; c=relaxed/relaxed; s=mail; d=customersignin.com; h=Message-ID:Reply-To:From:To:Subject:Date:MIME-Version:Content-Type; i=correo@customersignin.com; bh=FJYgJEy4rZOnTBWmwYiBYHHzatk=; b=o9rdChIPSDU5F3c/Mj80nIsyDyiYPpUlkxPKnOT6WJjKOzFQzhd3v+N/3g9ffMKyJQRpwICap1Ng W14iuLhWrNzP+KgnrAKYP/bT+BdjdLIwDCtp+19D8QvqA3x2yQgPoFKbGxkXGAc9lYHoYNtBz74F PA99fpjnKRWuC+v05q8= DomainKey-Signature: a=rsa-sha1; c=nofws; q=dns; s=mail; d=customersignin.com; b=q0X8Wld0zPh0U7QPfdNd12lUQb3fzp63t3DDsVwVfw/aIlwKdAY8o3mmCaza8gz3JNJyOM7nmda7 +lbbdJRaf1L4zZMRpXsMQ/WxPfKlPuJXsYmwXSD0a2CeOA7LoywlV67wSocbcrEZs0lVCII/mrlp IR0B5bY+Wc2JCpqWhH0=; Message-ID: <45BFFC494C98B625F9FCB5086C9A9F9B@134.195.208.14> Reply-To: "Con Experto Internacional" From: "Con Experto Internacional" To: "transparenciaxicotepecpueblagobmx" Subject: Machine Learning para Mejora de Procesos Date: Tue, 7 Oct 2025 16:36:00 +0000 MIME-Version: 1.0 Content-Type: multipart/alternative; boundary="----=_NextPart_000_0468_01DC37A8.77429D40" X-Priority: 3 This is a multi-part message in MIME format. ------=_NextPart_000_0468_01DC37A8.77429D40 Content-Type: text/plain; charset="iso-8859-1" Content-Transfer-Encoding: quoted-printable =20 C U R S O O N L I N E MACHINE LEARNING=20 PARA AUTOMATIZACION Y=20 MEJORA DE PROCESOS Fecha: 14 y 16 de Octubre Hora: 19:00 a 21:30 hrs V=EDa Zoom en vivo - Incluye consultas en vivo al experto, grabaciones, m= ateriales y certificado transparenciaxicotepecpueblagobmx MAYOR INFORMACI=D3N CLIC AQUI CONTENIDO=20 Parte 1 - Introducci=F3n al Machine Learning y Optimizaci=F3n de Procesos= (40 min) ? Definici=F3n de ML y relaci=F3n con inteligencia artificial. ? Tipos de aprendizaje: supervisado, no supervisado y por refuerzo. ? Casos de uso en procesos: log=EDstica, mantenimiento predictivo, predic= ci=F3n de demanda, control de calidad. transparenciaxicotepecpueblagobmx ? Ejemplo breve en Python: clasificaci=F3n simple con scikit-learn Parte 2 - Regresi=F3n para predicci=F3n de procesos (1 hora) ? C=F3mo aplicar regresi=F3n para predecir tiempos, costos o demanda. ? Ejercicio en Python: predecir tiempo de entrega de pedidos seg=FAn dist= ancia y tama=F1o. ? Interpretaci=F3n de m=E9tricas Parte 3 - Clasificaci=F3n para mejora de procesos (1h 20 min) ? Concepto de clasificaci=F3n: asignar categor=EDas a procesos. ? Algoritmos b=E1sicos: =C1rboles de decisi=F3n y Random Forest. ? Aplicaciones: detecci=F3n de fallas, clasificaci=F3n de clientes, decis= iones autom=E1ticas. ? Ejercicio en Python: clasificar si un proceso ser=E1 "eficiente" o "ine= ficiente" seg=FAn variables. ? Interpretaci=F3n de matriz de confusi=F3n y m=E9tricas de clasificaci=F3= n Parte 4 - Clustering para segmentaci=F3n de procesos (45 min) ? Introducci=F3n al aprendizaje no supervisado. ? Uso de clustering para agrupar procesos similares. ? Ejercicio en Python: aplicar K-Means a dataset de procesos productivos. ? Visualizaci=F3n y an=E1lisis de clusters. Parte 5 - Aplicaci=F3n pr=E1ctica y comunicaci=F3n de resultados (1h 15 m= in) ? C=F3mo interpretar resultados y traducirlos en mejoras reales. ? Reportes y visualizaci=F3n de m=E9tricas clave. ? Ejemplo: dashboard simple en Python con matplotlib o plotly. ? ntroducci=F3n al uso de IA generativa como apoyo en interpretaci=F3n. ? Ejercicio final grupal: caso aplicado con dataset.=20 MAYOR INFORMACI=D3N CLIC AQUI transparenciaxicotepecpueblagobmx Contac= to: +51972972001 =DAnete a nuestra Comunidad IA y participa del Webinar Gratuito "Aumenta = tus Ventas con IA": =DAnete haciendo Click HERE =20 CONTACTO: E L C E S C U E L A L A T I N O A M E R l C A N A D E C A P A C l T A = C l O N=20 =20 Si no desea recibir nuestros mensajes puede pedir desuscribirse haciendo = click ACA ------=_NextPart_000_0468_01DC37A8.77429D40 Content-Type: text/html; charset="iso-8859-1" Content-Transfer-Encoding: quoted-printable
 =20

C U R S O    O N L I N=20 E

MACHINE=20 LEARNING=20

PARA=20 AUTOMATIZACION Y
MEJORA DE=20 PROCESOS

Fecha: 14 y 16 de Octubre
Hora: 19:00 a 2= 1:30=20 hrs
V=EDa Zoo= m en vivo -=20 Incluye consultas en vivo al experto, grabaciones, materiales y=20 certificado

 transparenciaxicotepecpueblagobmx

MAYOR=20 INFORMACI=D3N
CLIC=20 AQUI

CONTENIDO=20

Parte 1 - Introducci= =F3n al=20 Machine Learning y Optimizaci=F3n de Procesos (40=20 min)
✅ Definici=F3n de ML y rel= aci=F3n con=20 inteligencia artificial.
✅ Tipos de ap= rendizaje:=20 supervisado, no supervisado y por refuerzo.
✅ <= /FONT>Casos de uso en procesos: log=EDstica, mantenimiento p= redictivo,=20 predicci=F3n de demanda, control de calidad. transparenciaxicotepecpueblagobmx
= ✅ <= /FONT>Ejemplo breve en Python: clasificaci=F3n simple con=20 scikit-learn

Parte 2 - Regresi=F3= n para=20 predicci=F3n de procesos (1 hora)
✅ <= /FONT>C=F3mo aplicar regresi=F3n para predecir tiempos, cost= os o=20 demanda.
✅ Ejercicio en Python: predec= ir tiempo=20 de entrega de pedidos seg=FAn distancia y tama=F1o.
✅ <= /FONT>Interpretaci=F3n de m=E9tricas

Parte 3 - Clasificac= i=F3n para=20 mejora de procesos (1h 20 min)
✅ <= /FONT>Concepto de clasificaci=F3n: asignar categor=EDas a=20 procesos.
✅ Algoritmos b=E1sicos: =C1rb= oles de=20 decisi=F3n y Random Forest.
✅= Aplicacione= s: detecci=F3n=20 de fallas, clasificaci=F3n de clientes, decisiones=20 autom=E1ticas.
✅ Ejercicio en Python: clasif= icar si un=20 proceso ser=E1 "eficiente" o "ineficiente" seg=FAn variables.
✅ <= /FONT>Interpretaci=F3n de matriz de confusi=F3n y m=E9tricas= de=20 clasificaci=F3n

Parte 4 - Clustering= para=20 segmentaci=F3n de procesos (45 min)
✅ <= /FONT>Introducci=F3n al aprendizaje no supervisado.
✅ <= /FONT>Uso de clustering para agrupar procesos=20 similares.
✅ Ejercicio en Python: aplica= r K-Means a=20 dataset de procesos productivos.
✅ <= /FONT>Visualizaci=F3n y an=E1lisis de clusters.

Parte 5 - Aplicaci=F3n pr=E1= ctica y=20 comunicaci=F3n de resultados (1h 15 min)
✅ <= /FONT>C=F3mo interpretar resultados y traducirlos en mejoras= =20 reales.
✅ Reportes y visualizaci=F3n = de m=E9tricas=20 clave.
✅ Ejemplo: dashboard simple e= n Python=20 con matplotlib o plotly.
✅ ntroducci=F3= n al uso de IA=20 generativa como apoyo en interpretaci=F3n.
✅ <= /FONT>Ejercicio final grupal: caso aplicado con=20 dataset. 

MAYOR=20 INFORMACI=D3N
CLIC=20 AQUI
 transparenciaxicotepecpueblagobmx   =             &= nbsp;           &n= bsp;   =20  Contacto:=20 +51972972001
=DAnete a nuestra Comunidad IA y participa del Webina= r Gratuito=20 "Aumenta tus Ventas con IA":
=DAnete haciendo Click HERE
     
 

CONTACTO:
E L C
E S C U E L A    L A T I N O A M E R l = C A N=20 A    D E    C A P A C l T A C l O=20 N

  
     
       
 
Si no desea recibir nuestros mensajes puede pedir=20 desuscribirse haciendo click ACA
------=_NextPart_000_0468_01DC37A8.77429D40--