La utilización de herramientas de Machine Learning se ha transformado en una habilidad fundamental para extender la capacidad de análisis de los profesionales en computación. En este curso se utilizarán herramientas como Sklearn, TensorFlow y otras herramientas para aprender de machine learning de forma práctica, aplicado a datos reales.

El curso está diseñado por competencias y alineado con el marco global de habilidades y competencias para un mundo digital SFIA8, por lo que se propone que los estudiantes logren responder a un nivel de responsabilidad 2 en el área de Aprendizaje Automático, 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.

Este curso permite a los estudiantes desarrollar habilidades para preparar datos, elegir y evaluar modelos, y aplicar técnicas como regresión, clustering y redes neuronales en problemas del mundo real. Estas habilidades mejoran su empleabilidad en los roles de analista de datos y científico 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).

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.