Curso Machine Learning y Aplicaciones - Online

En tiempos donde el procesamiento de la información tiene cada vez más relevancia, adquiere los conocimientos para poder ejecutar automatizaciones de manera correcta.
SENCE
Tipo
Curso
Duración
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
Aplicación Del Machine Learning En Contextos Reales
Código Sence
1238033256
Horas Totales
96
Duración
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
Inicia cuando quieras, sin horarios, tendrás hasta 6 meses para terminar.
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. Los datos tienen sólo valor potencial, es su análisis y sistematización el que permite incrementar la capacidad de innovar y obtener ventajas en las organizaciones. 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. Lamentablemente los datos nunca están como uno quisiera. Los datos reales pueden ser impuros, pueden conducir a la extracción de patrones/reglas poco útiles. Datos malos nos llevarán a la mala toma de decisiones.

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.

Este curso presentará una introducción al aprendizaje automático, las etapas del preprocesamiento y exploración de datos, así como algoritmos clásicos de aprendizaje supervisado y no supervisado. Para cada uno de los temas revisados se muestran ejemplos con datos reales usando el lenguaje de programación R.
¿Qué aprenderás?
  1. Unidad 1: Introducción al Machine Learning
    Aprendizaje Esperado:
    1. Introducir al estudiante al aprendizaje automático y describir los tipos de aprendizaje automático.
    2. Conocer los tipos de atributos y la variable target.
    3. Identificar instancia, atributos y variable target de una tabla de datos.
    4. Realizar primeros pasos en R.
  2. Unidad 2: Preprocesamiento y Análisis Exploratorio de Datos
    Aprendizaje Esperado:
    1. Conocer y manejar herramientas de preprocesamiento de datos.
    2. Conocer y manejar herramientas del análisis exploratorio de datos.
    3. Usar R para el preprocesamiento y análisis exploratorio de datos.
  3. Unidad 3: Aprendizaje Supervisado: Modelo de regresión lineal múltiple
    Aprendizaje Esperado:
    1. Conocer la importancia del modelo de regresión lineal.
    2. Formular y estimar un modelo de regresión lineal.
    3. Incorporar información cualitativa en el modelo de regresión lineal.
    4. Interpretar los pesos de los atributos.
    5. Calcular medidas de bondad de ajuste.
    6. Contrastar hipótesis para identificar atributos significativos.
    7. Identificar problemas de multicolinealidad.
    8. Seleccionar atributos.
    9. Calcular métricas de calidad predictiva.
    10. Aplicar R/Python en tareas de exploración.
  4. Unidad 4: Aprendizaje Supervisado: Regresión logística
    Aprendizaje Esperado:
    1. Formular un modelo de regresión logística y conocer métodos de estimación.
    2. Interpretar los pesos de los atributos de la regresión logística.
    3. Conocer métricas de calidad predictiva para la clasificación binaria.
    4. Aplicar las métricas en casos prácticos.
    5. Construir e interpretar la curva de ganancia y lift chart.
    6. Conocer la problemática del desequilibrio de clases y sus soluciones.
    7. Aplicar R en para desarrollar un modelo de regresión logística.
  5. Unidad 5: Aprendizaje Supervisado: Métodos de Regularización
    Aprendizaje Esperado:
    1. Conocer y comprender métodos de regularización en modelos de regresión.
    2. Entrenar modelos de regresión con técnicas regularización para producir modelos más simples que generalizan mejor.
    3. Aplicar el software R para entrenar modelos de regresión con regularización usando datos reales.
  6. Unidad 6: Aprendizaje Supervisado: Naïve Bayes, K-NN y Árboles
    Aprendizaje Esperado:
    1. Conocer y comprender la técnica Naive Bayes para problemas de clasificación.
    2. Conocer y comprender la técnica K-vecinos más cercanos para problemas de regresión y clasificación.
    3. Aplicar las técnicas de Naive Bayes y K-vecinos más cercanos usando datos reales.
    4. Conocer y comprender cómo se construye un árbol de clasificación/regresión para problemas de regresión y clasificación.
    5. Conocer y comprender cómo podar un árbol usando datos reales.
    6. Aplicar la técnica de árbol de clasificación/regresión usando datos reales.
    7. Utilizar el software R para entrenar árboles de clasificación/regresión usando datos reales.
  7. Unidad 7: Aprendizaje Supervisado: Random Forest, Adaboost, XGBoost, SVM
    Aprendizaje Esperado:
    1. Conocer y comprender el ensamblado de algoritmos por bagging y boosting para resolver problemas de regresión y clasificación.
    2. Aprender cómo entrenar los algoritmos: random forest , AdaBoost y XGBoost, para problemas de clasificación y regresión.
    3. Aplicar los algoritmos: random forest, AdaBoost y XGBoost, así como determinar la importancia de las variables usando datos reales.
    4. Conocer y entender qué es SVM y su aplicación en problemas de regresión y clasificación.
    5. Entrenar datos de regresión y clasificación usando SVM.
    6. Aplicar algoritmos ensamblados y SVM a casos prácticos usando el software R.
  8. Unidad 8: Aprendizaje No Supervisado: Reglas de Asociación
    Aprendizaje Esperado:
    1. Introducir las reglas de asociación y sus usos en estimación de la canasta de productos.
    2. Construir y evaluar reglas de asociación aplicando a datos reales.
    3. Aplicar el algoritmo reglas de asociación a casos prácticos usando el software R.
Metodología
El curso es 100% online asíncrono, i.e. no hay clases en vivo ni horarios. En la plataforma encontrarás cápsulas con contenido audiovisual, lecturas obligatorias, complementarias, y evaluaciones por cada unidad.
¿A quién va dirigido?
El curso está dirigido a profesionistas que buscan introducirse al aprendizaje automático, así como aprender sobre las etapas del preprocesamiento de datos, análisis exploratorio de datos y a entrenar algunas técnicas supervisadas y no supervisadas de machine learning.

Información y Postulaciones

Admision UAI Online
+56962774983
+56962774983
[email protected]
Postula al Curso Machine Learning y Aplicaciones - Online

También te puede interesar


Adquiere los fundamentos teóricos y prácticos de aprendizaje profundo y aprende como las herramientas y metodologías nos permiten entrenar algoritmos de aprendizaje supervisado y no supervisado.

$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
8 semanas
SENCE

Adquiere los conocimientos y las amplias de aplicaciones de ciencia de datos, vincular diferentes aplicaciones y las diferentes soluciones comerciales que se pueden desarrollar atreves de esta ciencia.

$520.000$364.000
8 semanas