Especialización en Machine Learning
Emisor: Escuela Musk
150 horas
·Avanzado
·Español
Programa certificado por ARP
Diploma ARP de validez internacional
Valoraciones de alumnos verificados
Precio a consultar
- Comprenderá los fundamentos del aprendizaje automático.
- Aplicará técnicas de clasificación y regresión en datos reales.
- Utilizará algoritmos avanzados de Machine Learning.
- Dominará el uso de bibliotecas de Python en proyectos de IA.
- Evaluará el rendimiento de modelos de predicción.
- Desarrollará modelos de Machine Learning desde cero.
- Implementará técnicas de ajuste de modelos y optimización.
Requisitos:
- Es obligatorio poseer conocimientos básicos de Python y estadística.
- Es recomendable tener experiencia previa en programación y análisis de datos.
150 horas en total
Este módulo introduce los conceptos fundamentales de Machine Learning, incluyendo su relación con Big Data e Inteligencia Artificial.
-
Introducción al Machine Learning: Concepto y principios.
-
¿Qué ha motivado este renacer del ML?: Factores clave en el auge reciente del aprendizaje automático.
-
Machine Learning vs IA vs Deep Learning: Comparación entre estas áreas.
-
Aplicaciones del Machine Learning: Ejemplos de aplicaciones en diferentes sectores.
-
Tratamiento de datos con Pandas y Numpy: Manipulación de datos usando estas librerías.
-
Representación de datos con Matplotlib: Visualización de datos en Python.
-
Pasos en el desarrollo de un proyecto de ML: Fases clave en un proyecto de Machine Learning.
-
¿Qué problemas podemos encontrar en nuestros datos?: Análisis de problemas comunes en los datos.
-
Data Quality / Garbage in - Garbage out: Importancia de la calidad de los datos.
-
Preprocesamiento y limpieza de datos con Python: Métodos para manejar datos faltantes, duplicados y normalización.
Se centra en los modelos de aprendizaje supervisado, cubriendo tanto la clasificación como la regresión.
-
Aprendizaje supervisado vs no supervisado vs aprendizaje por refuerzo: Comparación entre estos enfoques.
-
Clasificación vs regresión: Diferencias entre ambos métodos de predicción.
-
Modelos de aprendizaje supervisado: Tipos y aplicaciones.
-
Introducción a los modelos de Regresión: Conceptos clave en modelos de regresión.
-
Modelo de regresión lineal simple y múltiple: Diferentes tipos de regresión lineal.
-
Correlación y coeficiente de determinación: Métricas para evaluar la relación entre variables.
-
Trade-off sesgo y varianza: Análisis de este equilibrio en los modelos.
-
Concepto de threshold y Matriz de confusión: Herramientas para evaluar modelos de clasificación.
-
Precisión, especificidad y sensibilidad: Métricas para evaluar el rendimiento.
-
Modelos de clasificación: Ejemplos incluyen regresión logística, árbol de decisión, métodos ensamblados como Random Forest, y K-vecinos próximos.
En este módulo se exploran los métodos de aprendizaje no supervisado, incluyendo clustering y reducción de dimensionalidad.
-
Introducción al clustering: Definición y casos de uso en agrupación de datos.
-
K-Medias y Método del codo: Técnica de clustering y método para determinar el número óptimo de clusters.
-
Modelos avanzados de clustering: Métodos como Mean Shift, Agrupamiento jerárquico y DBSCAN.
-
Aplicaciones de la reducción de la dimensionalidad: Uso de técnicas como PCA para simplificar datos.
En este módulo se aborda el desarrollo y despliegue de sistemas de Machine Learning en la nube, y la implementación de herramientas sin código.
-
Introducción al Cloud Computing: Conceptos básicos de computación en la nube.
-
Principales proveedores (AWS, GCP, Azure): Comparación de plataformas para Machine Learning en la nube.
-
Azure ML Designer y AutoML: Herramientas de automatización y diseño en Azure.
-
Librería Pycaret y Librería Lazypredict: Uso de bibliotecas para facilitar la implementación de Machine Learning.
-
Knime: Plataforma visual para construir modelos de Machine Learning sin programación.
-
Diploma ARP. Al concluir este curso, tendrás la oportunidad de recibir un certificado de finalización emitido por ARP Certificate. Este diploma goza de amplio reconocimiento internacional y ofrece diversas funcionalidades diseñadas para maximizar su utilidad profesional y académica.
-
Sesiones en Vivo. Se ofrecen sesiones en vivo semanales para que los estudiantes puedan interactuar y resolver dudas con los docentes.
-
Material de Referencia Adicional. Incluye guías descargables y acceso a documentación técnica complementaria.
-
Acceso a Comunidad de Alumnos. Los estudiantes pueden colaborar y comunicarse mediante una plataforma en Discord.
-
Hackatones Grupales. Se realizan hackatones en grupo que permiten aplicar los conocimientos adquiridos en proyectos conjuntos.
¿Quieres más información?
Completa este formulario y la academia se pondrá en contacto contigo.
¿Quieres más información?
Completa este formulario y la academia se pondrá en contacto contigo.
¿Algo no está bien?
Si has encontrado en este curso información que no está bien puedes reportar una incidencia aquí.
