Curso Machine Learning para Ciencia de Datos - Online

Conocer como entrenar modelos de regresión, uso de software R o como construir árboles de clasificación/regresión es crucial en los procesos de transformación digital de las organizaciones.
SENCE
Tipo
Curso
Duración
6 a 8 semanas
Precio
$520.000
$364.000
Formas de Pago
  • Tarjeta de crédito chilena: Vía Webpay hasta 3 cuotas precio contado
  • Tarjeta de crédito internacional: Vía Paypal
SENCE
Nombre Sence
Machine Learning Para Ciencia De Datos
Código Sence
1238040068
Horas Totales
96
Duración
6 a 8 semanas
Horario Referencial
Lunes a Domingo 09:00 hrs. - 18:00 hrs.
Razón social
Universidad Adolfo Ibáñez
Rut
71.543.200-5
Dirección
Av. Presidente Errázuriz 3485, Las Condes
Ritmo
100% asincróno, inicia cuando quieras, sin horarios, si no alcanzas en la duración puedes solicitar extensión*.
*: Restricciones aplican a cursos pagados con franquicia tributaria.
Créditos SCT
4
Informacíon
¿En qué consiste el programa?
La transformación digital está generando una ingente cantidad de datos que pueden ser utilizados para mejorar los procesos productivos, el desarrollo y venta de productos y servicios, entre otros. Las empresas y organizaciones tienen en los datos a uno de sus principales activos y requieren de un buen análisis para una óptima toma de decisiones para así mantener u obtener ventajas competitivas.

El machine learning o aprendizaje automático es un conjunto de algoritmos que se entrena en un conjunto de datos para hacer predicciones o tomar acciones para optimizar algunos sistemas. Por ejemplo, los algoritmos de clasificación supervisados se utilizan para clasificar a los posibles clientes en prospectos buenos o malos, para fines de préstamo, con base en datos históricos. Las técnicas del machine learning, junto a reglas de negocio se pueden utilizar para reducir el riesgo y calificar objetivamente la calidad de un cliente.

Este curso presentará algoritmos de aprendizaje supervisados y no supervisados tales como: métodos de regularización, naive Bayes, k-vecinos más cercanos, árboles de clasificación/regresión, algoritmos ensamblados, Support Vector Machine, algoritmos jerárquicos, algoritmos no jerárquicos (K-means, DBScan) y reglas de asociación. Se explica como?validar?modelos supervisados de machine learning para evitar sobreajustes, así como evaluar su performance mediante métricas de calidad predictiva. Para cada uno de los temas revisados se muestran ejemplos de cómo usar los algoritmos en el lenguaje de programación R.

Nota: Para realizar este programa, es prerequisito haber realizado el curso Introducción al Data Science y contar con un nivel básico del lenguaje de programación R.

Este curso es conducente al Diplomado en Applied Data Science.
¿Qué aprenderás?
  1. Unidad 1: Métodos de Regularización
    Aprendizaje Esperado:
    • Conocer y comprender métodos de regularización en modelos de regresión
    • Entrenar modelos de regresión con técnicas regularización para producir modelos más simples que generalizan mejor
    • Aplicar el software R para entrenar modelos de regresión con regularización usando datos reales
  2. Unidad 2: Modelos supervisados: Naive Bayes y K-vecinos más cercanos
    Aprendizaje Esperado:
    • Conocer y comprender la técnica Naive Bayes para problemas de clasificación
    • Conocer y comprender la técnica K-vecinos más cercanos para problemas de regresión y clasificación
    • Aplicar las técnicas de Naive Bayes y K-vecinos más cercanos usando datos reales
    • Aplicar el software R con las técnicas de Naive Bayes y K-vecinos más cercanos usando datos reales
  3. Unidad 3: Modelos supervisados: Árboles de clasificación/regresión
    Aprendizaje Esperado:
    • Conocer y comprender cómo se construye un árbol de clasificación/regresión para problemas de regresión y clasificación
    • Conocer y comprender cómo podar un árbol usando datos reales
    • Aplicar la técnica de árbol de clasificación/regresión usando datos reales
    • Utilizar el software R para entrenar árboles de clasificación/regresión usando datos reales
  4. Unidad 4: Modelos supervisados: Algoritmos ensamblados – bagging/boosting
    Aprendizaje Esperado:
    • Conocer y comprender el ensamblado de algoritmos por bagging y boosting para resolver problemas de regresión y clasificación
    • Aprender cómo entrenar los algoritmos: random forest , AdaBoost y XGBoost, para problemas de clasificación y regresión
    • Aplicar los algoritmos: random forest, AdaBoost y XGBoost, así como determinar la importancia de las variables usando datos reales
    • Aplicar algoritmos ensamblados a casos prácticos usando el software R
  5. Unidad 5: Algoritmo Support Vector Machine (SVM)
    Aprendizaje Esperado:
    • Conocer y entender qué es SVM y su aplicación en problemas de regresión y clasificación
    • Entrenar datos de regresión y clasificación usando SVM
    • Aplicar el algoritmo SVM a casos prácticos usando el software R
  6. Unidad 6: Modelos no supervisados: algoritmos jerárquicos
    Aprendizaje Esperado:
    • Conocer y entender sobre los algoritmos de aprendizaje no supervisados jerárquicos divisivos y aglomerativos
    • Conocer cómo seleccionar el número de grupos los algoritmos de aprendizaje no supervisados jerárquicos divisivos y aglomerativos
    • Aplicar los algoritmos divisivos y aglomerativos a casos prácticos usando el software R
  7. Unidad 7: Modelos no supervisados: algoritmos no jerárquicos: K-means y DBScan
    Aprendizaje Esperado:
    • Introducir los algoritmos K-medias y DBScan y sus características para resolver problemas de aprendizaje no supervisado
    • Aplicar los algoritmos K-medias y DBScan a casos prácticos usando datos reales
    • Aplicar los algoritmos K-medias y DBScan a casos prácticos usando el software R
  8. Unidad 8: Modelos no supervisados: Reglas de Asociación
    Aprendizaje Esperado:
    • Introducir las reglas de asociación y sus usos en estimación de la canasta de productos
    • Construir y evaluar reglas de asociación aplicando a datos reales
    • Aplicar el algoritmo reglas de asociación a casos prácticos usando el software R
Metodología
La metodología de UAI Online contempla clases 100% en línea, asincrónicas, de aprendizaje individual. El curso está compuesto por una secuencia de clases que se habilitan paulatinamente. Cada clase está compuesta por videos expositivos, lecturas obligatorias y complementarias, resumen, glosario, un control y una actividad de desarrollo. En la actividad de desarrollo, el participante deberá contestar una pregunta abierta utilizando el material dispuesto en el curso, la cual será revisada y calificada por un miembro del equipo de apoyo académico de UAI Online. La pregunta podrá usar una de cuatro técnicas metodológicas: análisis de caso, resolución de problemas, análisis o comparación de conceptos, realización de ejercicios. Los participantes cuentan con la posibilidad de hacer preguntas de contenido o administrativas directamente a través del botón “Ayuda” que se encuentra en la plataforma de UAI Online.
¿A quién va dirigido?
El curso está dirigido a profesionales que buscan aprender técnicas supervisadas y no supervisadas de machine learning.

Se sugiere tener conocimientos introductorios a la temática, o bien haber realizado nuestro curso Introducción al Data Science.

También te puede interesar


Mejora tus conocimientos utilizando herramientas modernas de programación y manejo de datos en un momento clave de la ciencia de datos, aplica diferentes técnicas de machine learning y aprende a evaluar su desempeño.

$1.400.000
$980.000
24 semanas + examen
SENCE

Adquiere conocimientos en herramientas relacionadas con analítica descriptiva y predictiva que van en la línea del uso de datos en las empresas. Este curso pretende entregar contenidos y casos que muestran aplicaciones de analítica prescriptiva tanto para

$520.000
$364.000
6 a 8 semanas
SENCE

El Deep Learning está abriendo posibilidades antes impensadas para la inteligencia artificial. Aprende cómo funciona las redes neuronales que le dan vida y sus aplicaciones.

$520.000
$364.000
6 a 8 semanas