·

Diplomado de Machine Learning en Python

Duración 114 horas

Del 12 de marzo al 25 de junio de 2024.
Martes y jueves de 6:00 p.m a 10:00 p.m.
Modalidad: bimodal.

Conocer el funcionamiento interno de los métodos de Machine Learning, seguido de su implementación en el lenguaje de programación Python y su aplicación en casos de uso demostrativos.

 

$5.720.000

Contenido del programa

Módulo 1: Ciencia de datos en python

Conceptos y metodología de Ciencia de Datos.

Objetivo: reconocer los aspectos metodológicos en el desarrollo de proyectos de Ciencia de Datos.

  • Conceptos básicos.
  • Metodología de la ciencia de datos.

Módulos de python para la ciencia de datos.

Objetivo: aprender a utilizar el lenguaje de programación python y a utilizar los módulos más comunes para ciencia de datos.

  • Fundamentos de Python Numpy y Pandas Matplotlib y Seaborn.

Preprocesamiento y bases de datos.

Objetivo: identificar las técnicas de preprocesamiento más comunes.

  • Lectura y Escritura de Bases de Datos.
  • Técnicas de preprocesamiento.

Técnicas básicas de aprendizaje supervisado.

Objetivo: conocer las aplicaciones y el alcance del aprendizaje supervisado, así como, las técnicas básicas de aprendizaje supervisado.

  • Regresión Lineal.
  • Práctica de regresión.
  • Regresión Logística.
  • Práctica de clasificación.
Módulo 2: Fundamentos de machine learning en python

Introducción.

Objetivo: repasar los fundamentos requeridos y conocer las herramientas de trabajo.

  • Revisión de librerías básicas.
  • Revisión de conceptos como aprendizaje supervisado y no supervisado.

Técnicas de aprendizaje supervisado.

Objetivo: conocer a profundidad el funcionamiento de las técnicas más comunes de aprendizaje supervisado y aprender a utilizar las técnicas más comunes de aprendizaje supervisado.

  • Regresión Multivariada y no lineal.
  • Regresión logística.
  • K-Vecinos más cercanos.
  • Naive Bayes.
  • Máquinas de vectores de soporte.
  • Árboles de decisión.
  • Práctica de regresión.

Práctica de clasificación. Selección de modelos.

Objetivo: identificar un diseño experimental adecuado para la implementación de proyectos de machine learning y reconocer las técnicas que permiten evaluar adecuadamente el desempeño de modelos supervisados y seleccionar sus hiper-parámetros.

  • Construcción de datasets.
  • Validación cruzada.
  • Curvas de validación.
  • Curvas de aprendizaje.
  • Búsqueda de hiper-parámetros.
  • Práctica de selección de modelos.

Métodos de ensamble.

Objetivo: reconocer los métodos de ensamble como una estrategia para mejorar el rendimiento de modelos individuales.

  • Boosting.
  • Bagging.
  • Stacking.
  • Random.
  • Forest y Gradient.
  • Boosting.
  • Práctica de métodos de ensamble.

Técnicas de aprendizaje no supervisado.

Objetivo: aplicar agrupamiento automático a datos tabulares, conocer las ventajas de la reducción de dimensión en la visualización y modelación y entender técnicas para detección de anomalías.

  • Agrupamiento.
  • Reducción de dimensión.
  • Detección de anomalías.

Dirigido a

Estudiantes de pregrado y profesionales en áreas de ingeniería, economía, estadística y matemática aplicada, interesados en conocer sobre métodos de Machine Learning y su implementación en el lenguaje de programación Python.

Requisitos: conocimiento de cualquier lenguaje de programación.

Docentes

vivencias

¡Escucha las vivencias de nuestros docentes y participantes!

Políticas & Devoluciones

Conoce nuestras políticas de privacidad de datos.

TE PUEDE INTERESAR

¡Todo un mundo de conocimientos por descubrir! 

Conoce nuestra oferta relacionada con tus intereses:

CONTÁCTANOS

Queremos potencializar tus conocimientos… ¿Tienes alguna duda?