Descripción
El propósito de este curso es brindar las herramientas teóricas y prácticas necesarias para que los participantes puedan desarrollar modelos de machine learning eficientes y bien ajustados a distintos tipos de datos. Al finalizar, los estudiantes serán capaces de: Comprender los principios fundamentales del machine learning. Aplicar técnicas de limpieza y preprocesamiento de datos para mejorar la calidad de los modelos. Implementar algoritmos de aprendizaje no supervisado para descubrir patrones en los datos. Utilizar algoritmos supervisados para realizar tareas de clasificación y regresión. Ajustar los hiperparámetros de los modelos para mejorar su rendimiento. Este curso está dirigido a estudiantes, profesionales y entusiastas que deseen adentrarse en el mundo del machine learning y aplicar estos conocimientos en proyectos del mundo real.
Lección Contenido 1 Conceptos
básicos de Machine Learning 2 Componentes
clave de un modelo de Machine Learning 3 Flujo
de trabajo en Machine Learning 4 Aplicaciones
y casos de uso 5 Herramientas
y librerías en Python para Machine Learning 6 Importancia
del preprocesamiento en Machine Learning 7 Carga
y exploración de datos 8 Implementación
en Python 9 Limpieza
de datos 10 Transformación
de datos 11 Reducción
de dimensionalidad 12 Introducción
al aprendizaje no supervisado 13 Clustering
con K-Means 14 Clustering
jerárquico 15 Introducción
a la clasificación en Machine Learning 16 Clasificación
basada en vecinos más cercanos 17 Árboles
de decisión 18 Bosques
aleatorios 19 Gradient
Boosting 20 Evaluación
de modelos de clasificación 21 Introducción
a la regresión en Machine Learning 22 Regresión
lineal 23 Árboles
de decisión para regresión 24 Regresión
basada en vecinos más cercanos 25 Bosques
aleatorios para regresión 26 Gradient
Boosting para regresión 27 Evaluación
de modelos de regresión 28 Hyperparametrización
de Modelos 29 Grid
Search 30 Genetic
Search
Actividad Porcentaje Participación 10% Asistencia
a las sesiones de clase virtual sincrónica 10% Tareas (6) 40% Proyecto 40% Total 100
Asistencia
Programa
| Módulo
1 - Introducción al Machine Learning - Importancia del Machine Learning Módulo 2 - Preprocesamiento de Datos - Técnicas de Limpieza Módulo 3 - Algoritmos No Supervisados |
Módulo
4 - Algoritmos Supervisados Clasificación Módulo 5 - Algoritmos Supervisados Regresión Módulo 6 - Hyperparametrización - Grid Search y Genetic Search |
|||