Scribd
Cargar
5 vistas1 página

Machine Learing

Varios

Cargado por

straydog18
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
5 vistas1 página

Machine Learing

Varios

Cargado por

straydog18
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/ 1

Diplomado

Machine Learning
Modalidad Hibrida
Duración 96 horas.

El Diplomado en Machine Learning proporciona a los


PRESENTACIÓN participantes los conocimientos y habilidades esenciales
para desarrollar y aplicar modelos de aprendizaje
automático en diversos contextos. A lo largo del programa,
se abordan técnicas fundamentales como la regresión,
clasificación, clustering, redes neuronales y algoritmos de
aprendizaje supervisado y no supervisado. Los
participantes aprenderán a usar herramientas y lenguajes
de programación como Python, adquiriendo experiencia
práctica para resolver problemas reales mediante la
implementación de algoritmos eficientes.

Formar profesionales capacitados en el uso y desarrollo de


OBJETIVOS modelos de Machine Learning, aplicando técnicas
avanzadas y herramientas computacionales para la
resolución de problemas complejos en diversas industrias.

● Capacitar a los participantes en el uso de lenguajes y bibliotecas


como Python, TensorFlow y scikit-learn para la implementación de
algoritmos de Machine Learning.
● Enseñar las principales técnicas de Machine Learning, incluyendo
aprendizaje supervisado y no supervisado, para su aplicación en la
toma de decisiones basada en datos.
● Guiar a los participantes en el desarrollo de proyectos que
aborden problemas reales mediante la creación, optimización y
evaluación de modelos predictivos y de clasificación.

Profesionales y estudiantes de áreas como ingeniería,


PERFIL DEL tecnología, informática, matemática y estadística,
INTERESADO interesados en adquirir habilidades prácticas en Machine
Learning para aplicarlas en sectores como la industria,
finanzas, salud y tecnología.

La metodología del diplomado se estructurará bajo un


METODOLOGÍA enfoque práctico y dinámico, combinando herramientas
modernas y técnicas de enseñanza innovadoras que
fomenten el aprendizaje significativo. Se empleará una
combinación de actividades autónomas (40%) y sesiones
con expertos (60%), complementadas con contenido de
apoyo disponible en una plataforma virtual. Esta
metodología busca proporcionar flexibilidad, fomentar la
autonomía del estudiante y asegurar un
acompañamiento continuo para maximizar el proceso
de aprendizaje.

MÓDULO CONTENIDO INTENSIDAD

•Estadística descriptiva e introducción a R


Fundamentos -Uso de R y funciones básicas
de Estadística y -Visualización de datos y tipos de variables 12 HORAS
Programación •Métodos multivariados en estadística
-Análisis por componentes principales (ACP)

•Análisis de asociación de variables


-Estrategias de correlación (Pearson, Spearman,
Kendall)
Análisis de -Modelos lineales simples: Estimación MCO y
Variables y diagnósticos 12 HORAS
Modelos -Test de normalidad y ANOVA
Lineales •Modelos lineales múltiples
-Identificación de variables pertinentes
-Regresión (PCR, PLS, Ridge, LASSO) y diagnóstico
avanzado
-Heteroscedasticidad y autocorrelación

•Algoritmo K-means
Algoritmos de -Medidas de similitud y clustering jerárquico
12 HORAS
Clustering y -Métricas de validación y aplicaciones en R
Árboles de •Árboles de decisión
Decisión -Requisitos, interpretación y evaluación
-Predicción y casos prácticos

•Random Forest
Modelos
-Entrenamiento, validación y evaluación del modelo
Avanzados en 12 HORAS
•Regresión logística
Machine
-Presentación del modelo, interpretación y diagnóstico
Learning
-Estudio de casos y construcción de modelos

•Redes neuronales
Redes
-Arquitectura básica, perceptrón y backpropagation
Neuronales y
-Métricas de validación y aplicaciones en R
Máquinas de 12 HORAS
•Máquinas de vectores de soporte (SVM)
Vectores de
-Clasificadores lineales y no lineales
Soporte (SVM)
-Métricas de validación y extensión de SVM

•Sistemas de recomendación
-Filtros colaborativos y basados en ítems
Sistemas de -Implementación práctica
Recomendación •Text Mining 12 HORAS
y Text Mining -Homologación y análisis de textos
-Web scraping y casos aplicados en Python

•Introducción a SQL y Spark


-Modelos relacionales y rutinas en SQL Server 12 HORAS
Introducción a -Análisis y categorización de datos en PySpark
Big Data y •Herramientas en AWS
Herramientas -Introducción a S3, IAM, VPC y SageMaker
Computacionales -Rutinas de modelos de ML en la nube

•Deep Learning
Deep Learning e 12 HORAS
-Redes neuronales convolucionales (CNN) y AlexNet
Inteligencia
-Aplicaciones con PyTorch
Artificial para
•Inteligencia Artificial para Lenguaje Natural (NLP)
Lenguaje
-LLM (Large Language Models) y ChatGPT
Natural (NLP)
-Aplicaciones, riesgos y limitaciones

También podría gustarte