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. Con un 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
El curso Aprendizaje Supervisado en ML está dirigido a profesionales y titulados del sector tecnológico y científico que deseen profundizar en el aprendizaje supervisado. Es ideal para quienes buscan entender desde los fundamentos hasta técnicas avanzadas como SVM, bagging y boosting, mejorando su capacidad para preparar datos, construir y evaluar modelos de machine learning.
3 pm
AI Academy
Course objectives
-
Understand the definición y aplicación del aprendizaje supervisado en problemas reales.
-
Distinguish entre aprendizaje supervisado, no supervisado y por refuerzo.
-
Identificar y clasificar problemas en 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.
What does it prepare you for?
The course Aprendizaje Supervisado en ML prepares you for enfrentar desafíos en el análisis de datos y la inteligencia artificial.
Al finalizar, serás capaz de implementar modelos de clasificación y regresión, optimizar su rendimiento mediante técnicas avanzadas como SVM, Random Forest y Boosting.
Además, adquirirás habilidades en la preparación y limpieza de datos, desde el manejo de valores faltantes hasta la reducción de dimensionalidad, asegurando la calidad y eficacia de tus proyectos de machine learning.
Teaching units
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