Machine Learning con Python

SKU SOFT-709

Sin existencias

Sin existencias

Los estudiantes profundizarán en modelos de regresión, clasificación y técnicas de ensamblaje como bagging y boosting.

Programas profesionales relacionados

No hay elementos relacionados.

Descripción del curso

En este curso, los estudiantes aprenderán los fundamentos y las técnicas avanzadas de machine learning usando Python. Se explorarán los tipos de aprendizaje supervisado y no supervisado, y se estudiará el flujo completo de un proyecto de machine learning, desde la obtención de datos hasta la implementación y evaluación de modelos. Los estudiantes profundizarán en modelos de regresión, clasificación y técnicas de ensamblaje como bagging y boosting.

También se cubrirán las métricas de evaluación, el ajuste de hiperparámetros y el uso de métodos de validación cruzada para asegurar la robustez de los modelos.

Al finalizar, los estudiantes serán capaces de implementar soluciones de machine learning en problemas del mundo real, optimizando y evaluando el desempeño de los modelos.


Contenidos

1. Introducción a Machine Learning.

2. Modelos de regresión y clasificación.

3. Análisis de desempeño y validación de modelos.

4. Introducción a ensamblaje de modelos.


Metodología de Aprendizaje

La educación actual suele limitar a estudiantes, forzándoles a absorber contenidos en lugar de fomentar la solución colectiva de problemas. En CENFOTEC, buscamos modificar este enfoque mediante nuestra metodología de aprendizaje constructivista llamada 40-40-20.

La técnica 40-40-20 divide el tiempo de clase: 40% el profesor da un charla para inducir al pensamiento autónomo basado en conceptos clave; el siguiente 40% para resolver retos individuales o en grupo, que exigen exploración, donde el docente es un facilitador; y el 20% restante para una discusión guiada por el profesorado. Para mantener la atención, consideramos 1 hora lectiva como 50 minutos, especialmente en cursos de 3-4 horas.

Adicionalmente el estudiante deberá dedicar una cantidad de horas adicionales para completar retos extraclase que el profesor le asigne.


Información adicional

Fecha de inicio

Horario

Profesor

Área de formación

Modalidad

Virtual en Vivo

Duración

Nivel de complejidad

Perfil de ingreso