El aprendizaje automático, o “machine learning”, es una rama de la inteligencia artificial que se centra en el desarrollo de algoritmos y modelos que permiten a las computadoras aprender patrones y tomar decisiones basadas en datos, sin intervención humana directa. En lugar de ser programadas de manera explícita para realizar una tarea específica, estas máquinas aprenden de manera autónoma a través de la experiencia y la exposición a datos.

Las principales temáticas por abordar en este curso son introducción práctica a machine learning, regresión, clustering y redes neuronales. El curso está diseñado por competencias y alineado con el marco global de habilidades y competencias para un mundo digital SFIA 8, por lo que se propone que los estudiantes logren responder a un nivel de responsabilidad 2 en el área de Aprendizaje Automático (MLNG), de manera que comprendan las técnicas existentes de aprendizaje automático para su aplicación en la resolución de problemas y en el manejo de conjuntos de datos.

Contenidos

Tema 1: Introducción práctica a Machine Learning
– Introducción al aprendizaje automático y su importancia.
– Tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo.
– Preparación de datos para el aprendizaje automático.
– Selección, evaluación y división variables de entrenamiento y prueba.
– Ejemplos prácticos y casos de uso del aprendizaje automático.

Tema 2: Regresión Introducción a la regresión.
– Regresión lineal y regresión logística.
– Implementación práctica de regresión.
– Selección y evaluación de modelos de regresión.
– Métricas de evaluación para los modelos de Machine Learning.
– Aplicaciones prácticas en problemas de regresión.

Tema 3: Clustering
– Introducción al clustering y clasificación.
– Algoritmos de clasificación (KNN, árboles de decisión).
– K-Means y agrupamiento jerárquico.
– Evaluación de la calidad del clustering.
– Algoritmos avanzados de clustering (por ejemplo, DBSCAN).
– Aplicaciones prácticas de clustering en segmentación de datos y recomendaciones y clasificación.

Tema 4: Redes Neuronales
– Introducción a las redes neuronales artificiales (ANN).
– Arquitectura de una red neuronal: capas y unidades.
– Introducción práctica a TensorFlow (redes neuronales).

Otros cursos de Python:

Python y Analítica de Datos Avanzado

Python para el análisis de datos

Programación en Python avanzado

Fundamentos de Python

Certificado e Insignia Digital

Al finalizar el curso el estudiante obtiene un título e Insignia digital, socializable en tiempo real basada en tecnología blockchain que permite una vista más completa tras el logro alcanzado por el estudiante al poderla vincular con evidencias del resultado del aprendizaje en su perfil profesional. Es una certificación segura.