The course Aprendizaje Supervisado en ML es tu puerta de entrada al mundo de la inteligencia artificial y el aprendizaje automático. En una era donde los datos son el nuevo petróleo, the capacidad de extraer valor de ellos es altamente demandada. Este curso te brindará una comprensión sólida de los fundamentos del aprendizaje supervisado, enseñándote a diferenciar entre clasificación y regresión, and to evaluar modelos mediante métricas clave. You will learn how to preparar datos eficazmente, dominando técnicas de limpieza y reducción de dimensionalidad, asegurando que puedas transformar datos brutos en información valiosa. Además, explorarás desde modelos básicos como la regresión lineal and the árboles de decisión, hasta modelos avanzados such as SVM y métodos de ensamblado, desarrollando habilidades cruciales para abordar problemas complejos. With a enfoque online, este curso te ofrece flexibilidad para aprender a tu ritmo, preparándote para un mercado laboral en constante crecimiento y evolución.
Aprendizaje Supervisado en ML
AI Academy
3 pm
Introduction
Objectives
-
Understand the definición y aplicación del aprendizaje supervisado in problemas reales.
-
Distinguish entre aprendizaje supervisado, no supervisado y por refuerzo.
-
Identificar y clasificar problemas in clasificación y regresión.
-
Aplicar un pipeline de ML supervisado, desde la preparación hasta la evaluación.
-
Evaluar modelos by means of métricas clave y validación cruzada.
-
Realizar limpieza de datos y manejo de valores faltantes y outliers.
-
Aplicar técnicas de escalado, normalización y reducción de dimensionalidad.
Table of Contents
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL APRENDIZAJE SUPERVISADO
1. Definición del aprendizaje supervisado
2. Diferencias con otros paradigmas: no supervisado y por refuerzo
3. Tipos de problemas: clasificación vs regresión
4. Pipeline típico de ML supervisado
5. Evaluación de modelos: Métricas clave y validación cruzada
UNIDAD DIDÁCTICA 2. PREPARACIÓN DE DATOS Y FEATURE ENGINEERING
1. Calidad de los datos: limpieza, manejo de valores faltantes y outliers
2. Codificación de variables categóricas
3. Escalado y normalización de características
4. Selección y extracción de características relevantes
5. Técnicas de reducción de dimensionalidad (PCA, LDA)
UNIDAD DIDÁCTICA 3. MODELOS BÁSICOS DE APRENDIZAJE SUPERVISADO
1. Regresión lineal y sus variantes
2. Clasificadores lineales: perceptrón y regresión logística
3. Árboles de decisión: estructura, poda y criterios de partición
4. Vecinos más cercanos (k-NN): simplicidad y limitaciones
5. Métricas de evaluación específicas por tipo de modelo
UNIDAD DIDÁCTICA 4. MODELOS AVANZADOS Y ENSAMBLADO
1. Máquinas de Vectores de Soporte (SVM): márgenes y kernels
2. Bagging, Boosting y Stacking
3. Random Forest y sus ventajas sobre árboles individuales
4. Gradient Boosting Machines
5. Ajuste de hiperparámetros y validación anidada
More related courses
Cross-cutting
10 a.m.