ANÁLISIS DE SENTIMIENTOS CON INTELIGENCIA ARTIFICIAL Y LLMs PARA LA TOMA DE DECISIONES EMPRESARIALES

MÓDULO 1. FUNDAMENTOS DE PYTHON PARA EL ANÁLISIS DE DATOS Y VISUALIZACIÓN

16 HORAS

** PYTHON es uno de los lenguajes de programación más populares y utilizados actualmente en los campos de ciencia de datos, analítica de datos e Inteligencia Artificial gracias a su versatilidad, facilidad de aprendizaje y la amplia comunidad que lo respalda.

1.1. Introducción a PHYTON y entorno de desarrollo:

1.1.1. Configuración de un entorno de trabajo en Jupyter Notebook y Google Colab:

1.1.1.1. Jupyter Notebook.

1.1.1.2. Google Colab.

1.2. Estructura, sintaxis, tipos de datos, operadores y funciones básicas en PYTHON:

1.2.1. Estructura de PYTHON:

1.2.1.1. La importancia de la indentación.

1.2.1.2. Estructura de bloques en PYTHON .

1.2.1.3. Comentarios en PYTHON.

1.2.2. Sintaxis en PYTHON:

1.2.2.1. Declaración de variables.

1.2.2.2. Uso de espacios en blanco e indentación.

1.2.3. Tipos de datos en PYTHON.

1.2.4. Operadores en PYTHON:

1.2.4.1. Operadores aritméticos.

1.2.4.2. Operadores de asignación.

1.2.4.3. Operadores de comparación.

1.2.4.4. Operadores lógicos.

1.2.4.5. Operadores de pertenencia.

1.2.5. Funciones básicas de PYTHON.

1.3. Herramientas esenciales para el análisis de datos y la visualización:

1.3.1. Librería Pandas.

1.3.2. Librería Matplotlib.

1.3.3. Librería Seaborn.

1.4. Fundamentos de programación en PYTHON:

1.4.1. Estructuras de datos (listas, tuplas, diccionarios) y estructuras de control:

1.4.1.1. Listas.

1.4.1.2. Diccionarios.

1.4.1.3. Tuplas.

1.4.1.4. Condicionales (if, elif, else).

1.4.1.5. Bucles (for, while).

1.4.2. Funciones y comprensión de listas para optimizar el código:

1.4.2.1. Funciones.

1.4.2.2. Comprensión de listas en PYTHON.

1.4.3. Prácticas recomendadas para escribir código limpio y reutilizable:

1.4.3.1. Principios de código limpio.

1.4.3.2. Principios de código reutilizable.

1.5. Instalación y uso de librerías clave para análisis de datos y textos:

1.5.1. Principales librerías para procesamiento de lenguaje natural (PLN):

1.5.1.1. NLTK (Natural Language Toolkit).

1.5.1.2. TextBlob.

1.5.1.3. spaCy.

1.5.2. Otras librerías complementarias.

1.5.3. Instalación y uso de librerías de manera básica.

1.6. Visualización de datos con Matplotlib y Seaborn:

1.6.1. Creación de gráficos básicos: líneas, barras y dispersión usando Matplotlib

1.6.1.1. Creación de gráficos de líneas (Line Plot).

1.6.1.2. Creación de gráficos de barras (Bar Plot).

1.6.1.3. Creación de gráficos de dispersión (Scatter Plot).

1.6.2. Personalización de gráficos y estilos visuales para comunicar hallazgos usando Seaborn:

1.6.2.1. Personalización de un gráfico de barras usando Seaborn.

1.6.2.2. Personalización de un gráfico de dispersión usando Seaborn.

1.6.2.3. Personalización de un gráfico de líneas usando Seaborn.

MÓDULO 2. INTRODUCCIÓN AL ANÁLISIS DE SENTIMIENTOS

4 HORAS

** El análisis de sentimiento es una técnica que permite detectar automáticamente la opinión o emoción expresada en un texto, clasificándola generalmente como positiva, negativa o neutra. Surge como una disciplina clave dentro del campo del procesamiento de lenguaje natural (NLP), permitiendo transformar cualquier opinión en datos cuantificables.

2.1. Definición de análisis de sentimiento:

2.1.1. Concepto de análisis de sentimiento y sus aplicaciones en el entorno empresarial.

2.1.2. Casos de estudio de empresas que han utilizado el análisis de sentimiento para mejorar la toma de decisiones.

2.2. Relevancia del análisis de sentimientos en redes sociales:

2.2.1. Impacto de las opiniones de los usuarios en redes sociales sobre la percepción de marca.

2.2.2. Estrategias para utilizar el análisis de sentimiento en la gestión de la reputación empresarial.

2.3. Consideraciones y limitaciones del análisis de sentimiento:

2.3.1. Desafíos comunes: lenguaje informal, ironía y sesgo en datos de redes sociales.

2.3.2. Cómo interpretar los resultados y ajustar estrategias para mejorar la precisión.

MÓDULO 3. OBTENCIÓN Y PREPARACIÓN DE DATOS PARA EL ANÁLISIS DE SENTIMIENTOS

8 HORAS

** Las redes sociales son una de las fuentes de información más dinámicas y representativas de la actualidad. Millones de personas comparten a diario sus pensamientos, opiniones, emociones y experiencias a través de plataformas como Twitter, Facebook, Reddit, Instagram o TikTok. En ese flujo constante de contenido encontramos datos valiosos para distintos fines que hemos de analizar.

Pero para poder analizar, primero hay que recolectar.

3.1. Fuentes de datos de redes sociales:

3.1.1. Alternativas para obtener datos de redes sociales.

3.2. Consideraciones legales y éticas en la recolección y uso de datos de redes sociales:

3.2.1. ¿Por qué importa la ética y la legalidad?

3.2.2. Consideraciones legales básicas.

3.2.3. Consideraciones éticas básicas.

3.3. Preparación y limpieza de datos de texto:

3.3.1. Limpieza de texto: eliminación de caracteres especiales, links, menciones y normalización de texto con NLTK o spaCy

3.3.1.1. Implementación paso a paso con Python (usando NLTK).

3.3.1.2. Implementación paso a paso con Python (usando spaCy).

3.3.1.3. El caso de los LLMs.

3.3.2. Fundamentos para la representación y exploración de textos:

3.3.2.1. Vectorización del texto: transformando palabras en números.

3.3.2.2. Embeddings semánticos: codificando el significado del texto.

3.3.2.3. Análisis exploratorio del texto.

MÓDULO 4. ANÁLISIS DE SENTIMIENTOS USANDO MODELOS PREENTRENADOS Y GENERATIVOS

18 HORAS

4.1. Modelos clásicos (Vader, TextBlob):

4.1.1. Introducción a modelos basados en reglas.

4.1.2. Casos de uso: redes sociales, reseñas simples.

4.1.3. Implementación con ejemplos prácticos.

4.2. Modelos basados en Transformers (Bert, Roberta):

4.2.1. Introducción al enfoque contextual de los Transformers.

4.2.2. Uso de modelos fine-tuned con Hugging Face pipeline().

4.2.3. Implementación sobre textos reales y simulados:

4.2.3.1. Ejemplos de modelos en español con datos simulados.

4.2.3.2. Analizando sentimientos reales en español.

4.3. Modelos generativos Open-Source (LLaMA, Mistral, Falcon):

4.3.1. Clasificación vía prompts y generación de respuestas empáticas.

4.3.2. Aplicaciones: resumen de sentimiento, respuesta automatizada

4.3.2.1. Caso 1: resumen de sentimiento.

4.3.2.2. Caso 2: respuesta automatizada empática .

4.3.2.3. Caso 3: análisis comparativo automatizado.

4.3.3. Casos de uso avanzado con modelos generativos Mistral, LLaMA y Falcon:

4.3.3.1. Clasificación de sentimiento vía prompts con Mistral.

4.3.3.2. Generación de respuestas empáticas con LLaMA.

4.3.3.3. Generación de respuestas con Falcon.

4.4. Conclusión del módulo.

MÓDULO 5. VISUALIZACIÓN E INTERPRETACIÓN DE RESULTADOS DE ANÁLISIS DE SENTIMIENTOS

14 HORAS

5.1. Interpretación de visualizaciones para la toma de decisiones empresariales:

5.1.1. ¿Qué insights clave podemos extraer de cada tipo de gráfico?

5.1.2. Identificación de patrones y alertas tempranas (ej. frustración creciente).

5.1.3. Análisis segmentado por producto, canal o perfil de cliente.

5.2. Visualización de resultados con TextBlob, Transformers y modelos generativos:

5.2.1. Gráficos de polaridad y subjetividad con TextBlob.

5.2.2. Visualización de scores con modelos Transformers Bert.

5.2.3. Interpretación de outputs generativos (resúmenes o respuestas) como nubes de palabras.

5.3. Caso de estudio práctico: construcción de un dashboard de análisis de sentimientos

5.3.1. Implementación en Google Colab con librerías como Plotly, Seaborn y WordCloud.