Curso Técnicas de Machine Learning - Online

Aprende los diferentes modelos de aprendizaje automático (Machine Learning) que te permitirán entregar valor y competitividad a tu organización. Consigue manejar de mejor manera la gran cantidad de datos generados en las organizaciones.
SENCE
Tipo
Curso
Duración
6 a 8 semanas
Precio
$572.000
$400.400
* Descuentos no acumulables
Formas de Pago
  • Tarjeta de crédito chilena: Vía Webpay hasta 3 cuotas precio contado
  • Tarjeta de crédito internacional: Vía Paypal
Información
Admision UAI Online
Admisión cursos con sence (franquicia tributaria) *
* Solicitamos por favor sólo escribir a uno de los dos correos.
SENCE
Nombre Sence
Técnicas De Machine Learning
Código Sence
1238039349
Modalidad
E-Learning Asincrónico
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% asíncrono, inicia cuando quieras, sin horarios, si no alcanzas en la duración puedes solicitar extensión*.

Cada unidad se abre cada 5 días.
*: Restricciones aplican a cursos pagados con franquicia tributaria.
Créditos SCT
4
¿En qué consiste el programa?
La transformación digital esta 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, DBScan y reglas de asociación. Se explica comó?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.

Pre-Requisitos: Para realizar este curso, se recomienda haber realizado anteriormente el curso Introducción a Machine Learning.

Este curso es conducente al Diplomado en Machine Learning.
¿Qué aprenderás?
  1. Unidad 1 - Métodos de Regularización - Objetivos Específicos:
    • 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
    Videos:
    • Clase:
    ¤ Introducción
    ¤ Trade-off sesgo-varianza. Método Ridge
    ¤ Métodos Lasso y Elastic Net
    ¤ ¿Cómo elegimos el parámetro que regula la importancia de cada penalización?
    • Laboratorio:
    ¤ Paquetes del software R para regularización
    ¤ Ejemplo y uso de R
    ¤ Análisis de resultados

    Lecturas Obligatorias:
    • Presentación powerpoint de la clase

    Evaluaciones:
    • Control 1
    • Actividad de Desarrollo 1
  2. Unidad 2 - Modelos supervisados: Naive Bayes y K-vecinos más cercanos - Objetivos Específicos:
    • 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
    Videos:
    Clase:
    • Teorema de Bayes. Aplicación
    • Naive Bayes. Carecterísticas
    • K-vecinos más cercanos. Características
    • Elección del parámetro K
    Laboratorio:
    • Paquetes de R para las técnicas Naive Bayes y K-vecinos más cercanos
    • Ejemplo y uso de R
    • Análisis de resultados
    Lecturas:
    • Presentación powerpoint de la clase
    Evaluaciones
    • Control 2
    • Actividad de Desarrollo 2
  3. Unidad 3 - Modelos supervisados: Árboles de clasificación/regresión - Objetivos Específicos:
    • 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
    Videos:
    • Clases:
    ¤ Introducción
    ¤ Construcción del árbol
    ¤ Poda
    ¤ Ejemplo. Interpretaciones de reglas
    • Laboratorio:
    ¤ Paquetes de R para la técnica de árboles de regresión/clasificación
    ¤ Ejemplo y uso de R
    ¤ Análisis de resultados

    Lecturas Obligatorias:
    • Presentación powerpoint de la clase

    Evaluaciones:
    • Control 3
    • Actividad de Desarrollo 3
  4. Unidad 4 - Modelos supervisados: Algoritmos ensamblados - bagging - Objetivos Específicos:
    • Conocer y comprender el ensamblado de algoritmos por bagging para resolver problemas de regresión y clasificación
    • Aprender cómo entrenar un algoritmo de random forest para problemas de clasificación y regresión
    • Aplicar el algoritmo de random forest y determinar la importancia de las variables usando datos reales
    • Aplicar el algoritmo random forest a casos prácticos usando el software R
    Videos:
    • Clases:
    ¤ Introduciendo los algoritmos ensamblados vía bagging
    ¤ Random forest
    ¤ Out of bag error
    ¤ Importancia de variables
    • Laboratorio:
    ¤ Paquetes de R para la técnica de random forest
    ¤ Ejemplo y uso de R
    ¤ Análisis de resultados

    Lecturas Obligatorias:
    • Presentación powerpoint de la clase

    Evaluaciones:
    • Control 4
    • Actividad de Desarrollo 4
  5. Unidad 5 - Modelos supervisados: Algoritmos ensamblados - boosting - Objetivos Específicos:
    • Conocer y comprender el ensamblado de algoritmos por boosting en problemas de clasificación y regresión
    • Entrenar un algoritmo AdaBoost usando datos reales
    • Entrenar un algoritmo XGBoost usando datos reales
    • Aplicar los algoritmos AdaBoost y XGBoost a casos prácticos usando el software R
    Videos:
    • Clases:
    ¤ Introduciendo los algoritmos ensamblados vía boosting
    ¤ Algoritmo AdaBoost. Características
    ¤ Algoritmo XGBoost. Características
    ¤ Ejemplos
    • Laboratorio:
    ¤ Paquetes de R para las técnicas AdaBoost y XGBoost
    ¤ Ejemplo y uso de R
    ¤ Análisis de resultados

    Lecturas Obligatorias:
    • Presentación powerpoint de la clase

    Evaluaciones:
    • Control 5
    • Actividad de Desarrollo 5
  6. Unidad 6 - Algoritmo Support Vector Machine (SVM) - Objetivos Específicos:
    • 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
    Videos:
    • Clase:
    ¤ Introducción
    ¤ SVM en problemas de regresión
    ¤ SVM en problemas de clasificación
    ¤ Ejemplos y cuestiones prácticas
    • Laboratorio:
    ¤ Paquetes de R para la técnica SVM
    ¤ Ejemplo y uso de R
    ¤ Análisis de resultados

    Lecturas Obligatorias:
    • Presentación powerpoint de la clase

    Evaluaciones:
    • Control 6
    • Actividad de Desarrollo 6
  7. Unidad 7 - Modelos no supervisados: algoritmo DBScan - Objetivos Específicos:
    • Introducir el algoritmo DBScan y sus características para resolver problemas de aprendizaje no supervisado
    • Aplicar el algoritmo DBScan a casos prácticos usando datos reales
    • Aplicar el algoritmo DBScan a casos prácticos usando el software R
    Videos:
    • Clases:
    ¤ DBScan. Introducción. Características
    ¤ Selección de parámetros
    ¤ Selección de grupos

    Laboratorio:
    • Paquetes de R para la técnica DBScan
    ¤ Ejemplo y uso de R
    ¤ Análisis de resultados

    Lecturas Obligatorias:
    • Presentación powerpoint de la clase

    Evaluaciones:
    • Control 7
    • Actividad de Desarrollo 7
  8. Unidad 8 - Modelos no supervisados: Reglas de Asociación - Objetivos Específicos:
    • 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
    Videos:
    • Clases:
    ¤ Introducción
    ¤ ¿Cómo se construyen reglas de asociación?
    ¤ Evaluación de las reglas
    ¤ Ejemplo
    • Laboratorio:
    ¤ Paquetes de R para las técnicas reglas de asociación
    ¤ Ejemplo y uso de R
    ¤ Análisis de resultados

    Lecturas Obligatorias:
    • Presentación powerpoint de la clase

    Evaluaciones:
    • Control 8
    • Actividad de Desarrollo 8
Metodología
La metodología de UAI Online contempla clases 100% en línea, asincrónicas, de aprendizaje individual. El curso está compuesto por una secuencia de unidades que se habilitan paulatinamente. Cada unidad 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 a Machine Learning.

Información y Postulaciones

Admision UAI Online
[email protected]


Admisión cursos con sence
(franquicia tributaria) *
[email protected]
* Solicitamos por favor sólo escribir a uno de los dos correos.

Postula al Curso Técnicas de Machine Learning - Online

También te puede interesar


Observa diferentes elementos de estrategia y táctica del ajedrez, considerando que existen ocho elementos de estrategia y táctica.

$99.000
$69.300
* Descuentos no acumulables
4 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.

$572.000
$400.400
* Descuentos no acumulables
6 a 8 semanas
SENCE

¿Cuándo es importante desarrollar una app móvil? Aprende los diferentes conceptos y momentos en el desarrollo de apps.

$572.000
$400.400
* Descuentos no acumulables
6 a 8 semanas