Scribd
Cargar
95 vistas3 páginas

Programador Junior en Machine Learning

Este documento describe un programa de capacitación en machine learning y inteligencia artificial aplicando Python en 3 tramos. El Tramo 1 cubre fundamentos de machine learning usando librerías de Python como Scikit-learn. El Tramo 2 enseña inteligencia artificial y redes neuronales profundas usando TensorFlow y Keras. El Tramo 3 cubre temas avanzados como matrices de confusión y datos desequilibrados, usando librerías como Matplotlib y PyTorch. La evaluación incluye proyectos prácticos, actividades teóricas y participación en foros.

Cargado por

odcardozo
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
95 vistas3 páginas

Programador Junior en Machine Learning

Este documento describe un programa de capacitación en machine learning y inteligencia artificial aplicando Python en 3 tramos. El Tramo 1 cubre fundamentos de machine learning usando librerías de Python como Scikit-learn. El Tramo 2 enseña inteligencia artificial y redes neuronales profundas usando TensorFlow y Keras. El Tramo 3 cubre temas avanzados como matrices de confusión y datos desequilibrados, usando librerías como Matplotlib y PyTorch. La evaluación incluye proyectos prácticos, actividades teóricas y participación en foros.

Cargado por

odcardozo
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 3

Programador

Junior en Machine
Learning
z
Universidad Nacional de Misiones
Facultad de Ciencias Exactas
Tramo 1: Fundamentos de Machine Learning (ML) Phyton - Nivel 1

● Módulo 1: Teoría: En qué consiste el Machine Learning y qué se diferencia de la


Inteligencia Artificial y Deep Learning. Práctica: Instalación Python + Jupyter. Conceptos
básicos de Python. Introducción a las librerías: Matplotlib.
● Módulo 2: Teoría: Manejo de Python para el análisis de datos con las principales librerías
(numpy, pandas, scikit-learn). Práctica: Utilización de Librerías de Python para Cálculo
Numérico y Análisis de Datos: NumPy, SciPy, Pandas, Numba.
● Módulo 3: Teoría: Algoritmos de machine learning en cada tipología. Valoración de
algoritmos más adecuados y optimización. Diferentes tipos de machine learning para
resolver problemas de clasificación, regresión, clustering y reglas de asociación. Práctica:
Utilización de Librerías de Python para Machine Learning. Scikit-learn. Problemas para un
modelo de CLASIFICACIÓN. Problemas que se resuelven con un modelo de REGRESIÓN.
Problemas para ser resueltos mediante un modelo de CLUSTERING. Problemas donde se
aplican modelos de REGLAS DE ASOCIACIÓN.

Modalidad: virtual (sincrónica y asincrónica).


Horas cátedra: 120 hs. Duración del tramo: 2.5 meses.

Tramo 2: Inteligencia Artificial aplicando Phyton - nivel 2


● Módulo 1: Teoría: Inteligencia artificial y Redes Neuronales.. Aprendizaje Supervisado y
no supervisado. Redes neuronales convolucionales profundas (Deep Convolutional
Neural Networks, DCNNs). Práctica: Realización de un estudio de caso sobre aplicación
de redes neuronales para los reconocimientos de imágenes. Identificación de bases de
datos con dataset de uso libre. Aplicación y uso de librerías en Python:
○ Pandas: estructuras de datos de alto rendimiento y fáciles de usar para trabajar
con datos.
○ Numpy: funciones matemáticas y de álgebra lineal de alto rendimiento.
○ Seaborn: visualización de datos basada en Matplotlib.
○ Zipfile: funciones para crear, leer y escribir archivos zip en Python.
○ Cv2: interfaz de programación de aplicaciones (API) para utilizar las
funcionalidades de OpenCV desde Python.
○ Tensorflow.keras.*: API de alto nivel para el uso del marco de deep learning
TensorFlow en Python. Keras proporciona una interfaz fácil de usar para
construir y entrenar modelos.

Modalidad: virtual (sincrónica y asincrónica).


Horas cátedra: 120 hs. Duración del tramo: 2.5 meses.
Tramo 3: Curso de Inteligencia Artificial aplicando
Phyton - nivel 3
● Módulo 1: Teoría: La matriz de confusión como herramienta del aprendizaje
automático. La Exactitud (en inglés Accuracy) y la Precisión (en inglés Precision). La
Sensibilidad (en Inglés Recall o sensitivity)  y la Especificidad (En inglés Especificity).
EL F1 SCORE. Consejos generales sobre La matriz de confusión y sus métricas. Clases
desbalanceadas en modelos de Machine Learning. Práctica: Comprensión de la Matriz
de Confusión y Cómo Implementarla en Python. Librerías de Python para Visualización:
Matplotlib, Seaborn, Bokeh.

● Módulo 2: Teoría: Análisis exploratorio, para comprobar el desequilibrio entre las


clases. Estrategias: Compensación por penalización. Realización de submuestreo en la
clase mayoritaria. Oversampling de la clase minoritaria. Combinando resampling con
Smote-Tomek. Ensamble de Modelos con Balanceo. Mapas de calor y matriz de
correlaciones. Práctica: Librerías de Python para Deep Learning: Tensor Flow, Keras,
PyTorch. La visualización de datos para entender mejor tanto los datos como el
problema, librerías (Matplotlib, Seaborn, Bokeh). La visualización de datos herramienta
útil para comprender los resultados y analizar los errores.

Modalidad: virtual (sincrónica y asincrónica).


Horas cátedra: 120 hs. Duración del tramo: 2.5 meses.

Programador
Junior en Machine Learning
EVALUACIÓN

La evaluación comprenderá:

● Entrega y aprobación del trabajo práctico del curso con cumplimiento de las consignas de
trabajos. Se desarrollará un proyecto desde sus inicios paso a paso y el desarrollo es de
avance evolutivo por lo cual el estudiante deberá completar cada etapa para arribar con
éxito a la entrega final.

● Realización de las actividades teóricas planteadas (cuestionarios por módulo).

● Participación en los Foros.

También podría gustarte