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
6 a 8 semanas
Precio
$572.000
$400.400
* Descuentos no acumulables
$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
Aplicación Del Machine Learning En Contextos Reales
Código Sence
1238033256
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
Contacto
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.
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 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.
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?
- Unidad 1 - Introducción al Machine Learning - Objetivo Específico:
• Identificar los elementos básicos para desarrollar machine learning.Videos:
• Introducción.
• Métodos de aprendizaje.
• Data Frames.
• Etapas del proceso de machine learning.
Material Complementario:
• Instructivo sobre el uso del software R para estadística y análisis de datos.
Evaluaciones:
• Control 1
• Actividades aplicadas 1 y 2 - Unidad 2 - Preprocesamiento y Análisis Exploratorio de Datos - Objetivo Específico:
• Aprender las etapas iniciales al procesar datos.Videos:
• Preprocesamiento de los datos.
• Etapas en el procesamiento de datos.
• Análisis exploratorio de datos.
• Correlación entre variables numéricas.
• Correlación entre variables categóricas.
Material Complementario:
• Instructivo sobre el uso del software R para estadística y análisis de datos.
Evaluaciones:
• Control 2
• Actividades aplicadas 1 y 2 - Unidad 3 - Aprendizaje Supervisado: Modelo de regresión lineal múltiple - Objetivo Específico:
• Entrenar un modelo de regresión lineal.Videos:
• Modelo de regresión.
• Datos históricos y función de perdida.
• Métodos para determinar coeficientes.
• Significancia estadística.
• Estimadores.
• Selección de atributos.
• Evaluar calidad predictiva.
Lecturas Obligatorias:
• Técnicas estadísticas para identificar posibles relaciones bivariadas.
Material Complementario:
• Instructivo sobre el uso del software R para estadística
y análisis de datos.
Evaluaciones:
• Control 3
• Actividades aplicadas 1 y 2 - Unidad 4 - Aprendizaje Supervisado: Regresión logística - Objetivo Específico:
• Predecir una variable dependiente que toma dos o más posibles etiquetas.Videos:
• Clasificación binaria y multiclase.
• Modelo de regresión logística.
Lecturas Obligatorias:
• Material de Lectura clase 4 disponible en la plataforma
• Clase R Video S4
• Script R Video S4
Evaluaciones:
• Control 4
• Actividades aplicadas 1 y 2 - Unidad 5 - Aprendizaje Supervisado: Métodos de Regularización - Objetivo Específico:
• Aplicar técnicas de regularización en el modelo de regresión lineal o logística.Videos:
• Ajustar modelos.
• Estimador Ridge.
• Técnica de Lasso y Elastic net.
• ¿Como elegimos lambda?
Lecturas Obligatorias:
• Material de Lectura clase 5 disponible en la plataforma
• Clase R Video S5
• Script R Video S5
Evaluaciones:
• Control 5
• Actividades aplicadas 1 y 2 - Unidad 6 - Aprendizaje Supervisado: Naïve Bayes, K-NN y Árboles - Objetivo Específico:
• Conocer diversos métodos de Machine Learning.Videos:
• Supuesto de Bayes ingenuo
• Ejemplo de cómo entrenar el algoritmo.
• Método K-NN
• ¿Cuál será el valor de K?
• Arboles de decisión.
• Ejemplo árbol de clasificación, con algoritmo ID3.
• Sobreajuste.
Lecturas Obligatorias:
• Material de Lectura clase 6 disponible en la plataforma
Evaluaciones:
• Control 6
• Actividades aplicadas 1 y 2 - Unidad 7 - Aprendizaje Supervisado: Random Forest, Adaboost, XGBoost, SVM - Objetivo Específico:
• Construir un clasificador fuerte a partir de clasificadores débiles.Videos:
• Técnicas de ensemble.
• Random Forests.
• Adaptive boosting y Gradient boosting.
• Máquinas de soporte vectorial.
• Transformaciones.
Lecturas Obligatorias:
• Material de Lectura clase 7 disponible en la plataforma
Evaluaciones:
• Control 7
• Actividades aplicadas 1 y 2 - Unidad 8 - Aprendizaje No Supervisado: Reglas de Asociación - Objetivo Específico:
• Revisar la técnica Reglas de Asociación.Videos:
• Reglas de Asociación.
• Métricas y formulación del problema.
Lecturas Obligatorias:
• Material de Lectura clase 8 disponible en la plataforma
Evaluaciones:
• Control 8
• Actividades aplicadas 1 y 2
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.
Profesores
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.
[email protected]
Admisión cursos con sence
(franquicia tributaria) *
[email protected]
* Solicitamos por favor sólo escribir a uno de los dos correos.