[ATD-090] Machine Learning

Este curso ofrece una introducción completa al aprendizaje automático, desde fundamentos de estadística y probabilidad hasta modelos predictivos y técnicas avanzadas. Incluye regresión lineal, clasificación, y algoritmos como K-Means, Random Forests y SVM, además de reducción de dimensionalidad y validación cruzada, todo en un entorno de Python accesible para principiantes.

Duración: 16 horas

Perfil: Avanzado

Dirigido a

Este curso está orientado a programadores, ingenieros, matemáticos y estadísticos relacionados con la ciencia de datos, programación y análisis de datos, que deseen adentrarse en el mundo del Machine Learning y aplicar modelos predictivos en diversos campos.

Requisitos previos

Se requieren conocimientos básicos de programación, especialmente en Python, y una comprensión básica de matemáticas y estadística para facilitar el aprendizaje de conceptos fundamentales y algoritmos de ML.

Objetivos

Entender los conceptos y técnicas fundamentales de Machine Learning.
Aprender a preparar y manipular datos mediante DataFrames.
Aplicar modelos de regresión y clasificación para resolver problemas reales.
Desarrollar habilidades en algoritmos de clustering, reducción de dimensionalidad y validación cruzada.
Adquirir práctica en el uso de Python para implementar algoritmos de ML en un entorno práctico.

Pedir más Información

Volver a Pronoide

Contenido

Introducción al Machine Learning
1. Historia y evolución del Machine Learning
2. Introducción al lenguaje Python para ML
3. Configuración y preparación del entorno de trabajo
Fundamentos de Estadística
1. Manipulación y análisis de datos con DataFrames
2. Conceptos clave: media, mediana, moda, varianza y desviación estándar
3. Tipos de distribuciones de datos
4. Probabilidad condicional y aplicación del Teorema de Bayes
Modelos Predictivos
1. Introducción a la regresión: lineal, polinómica y multivariable (OLS)
2. Aplicaciones y evaluación de modelos de regresión
Machine Learning I: Modelos Supervisados y No Supervisados
1. Conceptos de aprendizaje supervisado y no supervisado
2. Clasificación con Naive Bayes
3. Agrupamiento (clustering) con K-Means
4. Introducción a los árboles de decisión y Random Forests
5. Clasificación avanzada con máquinas de soporte vectorial (SVM)
Machine Learning II: Algoritmos Avanzados y Optimización
1. Clasificación con K-Nearest Neighbors (KNN)
2. Reducción de dimensionalidad y análisis de componentes principales (PCA)
3. Introducción a Data Warehousing: diferencias entre ETL y ELT
4. Validación de modelos con K-fold cross-validation