Scribd
Cargar
6 vistas1 página

Machine Learning Course Path

Cargado por

Patricio Ronaldo
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 DOCX, PDF, TXT o lee en línea desde Scribd
6 vistas1 página

Machine Learning Course Path

Cargado por

Patricio Ronaldo
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 DOCX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 1

Machine Learning Course Path

1er Año

1-6 meses (Teoría y fundamentos):

 Python: Enfocado en pandas, NumPy, matplotlib, y seaborn.


 Matemáticas para ML: Álgebra lineal, cálculo, y probabilidad.
 Fundamentos de ML:
o Tipos de aprendizaje: supervisado, no supervisado, reforzado.
o Introducción a scikit-learn.

6-12 meses (Primeros modelos):

 Modelos básicos:
o Regresión lineal y logística.
o k-Nearest Neighbors, árboles de decisión, y SVM.
 Evaluación de modelos: Métricas como precisión, recall, F1-score, ROC-AUC.
 Introducción a Deep Learning: Redes neuronales básicas con TensorFlow/Keras.

2do Año

1-6 meses (Modelos avanzados):

 Deep Learning avanzado: Redes neuronales convolucionales (CNN) y recurrentes


(RNN).
 NLP: Procesamiento del lenguaje natural con spaCy y transformers (Hugging Face).
 Optimización de modelos: Regularización, búsqueda de hiperparámetros, y pipelines en
scikit-learn.

6-12 meses (Proyectos grandes):

 Integración de habilidades:
o Modelos avanzados aplicados a datasets grandes (imágenes, texto, o series
temporales).
o Implementación de APIs con modelos entrenados.
 MLOps: Uso de Docker, Git, y deployment en servicios como AWS o GCP.
 Portfolio: Creación de un portfolio con proyectos en ML, incluyendo una aplicación
funcional.

También podría gustarte