Fundamentos de Aprendizaje Automático Machine Learning con Scikit-Learn

Transformación Digital, Ingeniería de Datos y TIC´S
Remoto
Inicia el 06 de octubre de 2025
24 horas

Pago online

Inversión	$520.000
Horarios	Lunes y miércoles 18:00 a 21:00
duración	4 semanas
intensidad	24 horas
Facultad	Escuela de Ciencias e Ingeniería
CONTENIDO DEL PROGRAMA

Objetivo

Dotar al estudiante de habilidades para implementar y optimizar modelos de aprendizaje automático mediante scikit-Learn

Dirigido a

Estudiantes y profesionales en Ciencias de la Computación, que buscan especializarse en aprendizaje automático.
Analistas y Científicos de Datos, que busquen mejorar sus habilidades en modelado predictivo y clasificación.
Ingenieros y profesionales afines que desean incursionar en Inteligencia Artificial.
Profesionales en finanzas, salud y marketing, que buscan aplicar análisis predictivo en su trabajo.
Investigadores académicos en IA, interesados en fortalecer sus habilidades prácticas.

Implementar técnicas de clasificación y regresión, como SVM y regresión lineal/múltiple, para solucionar problemas prácticos.
Aplicar métodos de "ensemble learning" y reducción de dimensionalidad para optimizar y adaptar modelos a grandes conjuntos de datos.
Diseñar soluciones basadas en aprendizaje no supervisado, como clustering y detección de anomalías, para abordar retos con datos sin etiquetar.

Módulos de Aprendizaje Automático

Introducción y Pasos en un Proyecto de Aprendizaje Automático: Definición, propósito y problemas que el aprendizaje automático busca resolver. Categorías principales y conceptos fundamentales de sus sistemas. Descripción general de los pasos típicos en un proyecto de aprendizaje automático.
Clasificación: Abordaremos las tareas de aprendizaje supervisado, centrándonos en la clasificación (predicción de clases). Se realizará una revisión de los sistemas de clasificación mediante el análisis de ejemplos con scikit-Learn.
Regresión Lineal, regresión múltiple: En este módulo, abordamos los modelos de aprendizaje automático y sus algoritmos de entrenamiento, priorizando la regresión lineal y múltiple. Se exploran dos métodos para entrenar la regresión lineal: mediante una ecuación de "forma cerrada" y mediante el enfoque de optimización iterativa llamado descenso del gradiente. Posteriormente, se introduce la regresión polinómica, que aborda conjuntos de datos no lineales y técnicas de regularización para evitar el sobreajuste. El módulo concluye con una breve introducción a la regresión logística y softmax, todo ello implementado con scikit-Learn.
SVM: Support Vector Machine: Es un modelo versátil y potente de aprendizaje automático, apto para realizar clasificación lineal o no lineal, regresión e incluso detección de novedades. En este módulo, abordaremos los conceptos esenciales de las SVMs, su uso y su funcionamiento, todo ello a través de ejemplos prácticos utilizando scikit-learn.
Árboles de decisión: Los árboles de decisión son algoritmos versátiles de aprendizaje automático que pueden realizar tareas de clasificación y regresión, e incluso tareas de múltiples salidas. En este módulo, comenzaremos discutiendo cómo entrenar, visualizar y realizar predicciones con árboles de decisión utilizando scikit-learn. Luego, abordaremos el algoritmo de entrenamiento CART, exploraremos cómo regularizar árboles y cómo utilizarlos para tareas de regresión. Finalmente, discutiremos algunas de las limitaciones de los árboles de decisión.
Ensemble Learning y Random Forest: El "ensemble Learning" aprovecha la sabiduría colectiva, combinando múltiples predictores para mejorar la precisión en tareas de aprendizaje automático. En este tema, exploraremos técnicas de ensemble, como "random forests", clasificadores de votación y "boosting", y cómo implementarlas con scikit-learn.
Reducción de la dimensionalidad: El enfrentar problemas con miles o millones de características puede llevar a la "maldición de la dimensionalidad", complicando y ralentizando el proceso de aprendizaje automático. En este módulo, exploraremos técnicas de reducción de dimensionalidad, como PCA, proyección aleatoria y LLE, y cómo implementarlas con scikit-learn para optimizar el aprendizaje automático.
Técnicas de aprendizaje automático no supervisado: El aprendizaje no supervisado brinda la posibilidad de trabajar con datos no etiquetados, una realidad en muchas aplicaciones actuales de aprendizaje automático. En este módulo, utilizando scikit-learn, abordaremos estos conceptos esenciales, proporcionando herramientas prácticas para situaciones del mundo real.