Diplomatura en Machine Learning

Diplomatura en Machine Learning

Para los alumnos que se inscriban desde el exterior, este precio de promoción es aproximadamente de $299 dólares. Este valor puede variar según la cotización diaria que apliquen las plataformas de cobro PayU – Paypal

Podes inscribirte desde Argentina abonando con tarjeta de crédito, débito, o transferencia bancaria.
Podes inscribirte desde todos los países de Latinoamérica abonando con tarjeta de crédito a través de PayU (valor convertido a moneda local) o a través de PayPal (valor convertido a dólares).

Plan de Estudios de la Diplomatura en Machine Learning

La calidad académica de nuestra diplomatura en Machine Learning ha sido avalada por la Resolución Nro 290/20 del 13 de Julio de 2020 de la Universidad Tecnológica Nacional UTN FRRQ

Objetivos

El machine learning es una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que las computadoras aprendan. Es decir cuando su desempeño mejora con la experiencia. Se trata de diseñar algoritmos para convertir muestras de datos en programas, sin tener que escribirlos. Los programas resultantes deben ser capaces de generalizar comportamientos e inferencias para un conjunto de grandes datos. Las aplicaciones son amplias que incluyen motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.

Destinatarios del curso

Está dirigido a cualquier persona con conocimientos equivalentes al de la Diplomatura de Ciencia de Datos

Programa Analítico:

Regresiones

  • Regresión Lineal
  • Regresión polinómica
  • Regresión exponencial y logarítmica
  • Regresión de dos variables
  • Cálculo de regresiones en R con lm
  • Cálculo de regresiones logísticas en R con glm

Árboles de decisión

  • Algoritmo básico en Excel
  • División en entrenamiento y prueba
  • Uso de Rpart y cp
  • Predicción y valoración de la solución
  • Uso de Party
  • Aplicación al problema del call center

Clusters

  • Algoritmo básico en Excel
  • Uso de kmeans
  • Ejemplo de aplicación real
  • Otros algoritmos de agrupamiento en R
  • Ejercicio de aplicación de agrupamiento de mascotas

Reglas de Asociación

  • Algoritmo básico en Access
  • División en entrenamiento y prueba
  • Uso de arules en R
  • Ejemplo de una aplicación real votación de reglas
  • Ejemplo de una aplicación real a datos de ventas en supermercados

Redes Neuronales

  • Algoritmo básico en Excel
  • División en entrenamiento y prueba
  • Uso de neuralnet
  • Predicción y valoración de la solución
  • Discusión del problema de legibilidad de los resultados desde el negocio
  • Competencia entre árboles y redes en un caso concreto

Algoritmos genéticos

  • Algoritmo básico en Excel
  • Discusión del tipo de problemas en los que se aplica
  • Discusión de otros mecanismos de optimización
  • Implementación en R del uso de algoritmos genéticos como Valores reales
  • Binarios
  • Permutaciones

Series temporales

  • Taxonomía
  • Separación de componentes
  • Predicciones
  • ARIMA implementado en R
  • Predicción en series con un único período
  • Predicción en series con múltiples períodos
  • Predicción en series con períodos variables: renormalización

Método de Simulación de Montecarlo

  • Algoritmo básico en Excel
  • Discusión de la utilidad del método
  • Comparación con el análisis de escenarios
  • Ejemplo de una aplicación real
  • Ejemplo simple implementado en R

Minería de textos

  • Clasificación supervisada de piezas de texto
  • Construcción de una red semántica
  • Discusión de las posibilidades de reconocimiento de voz
  • Ejemplos de aplicación real del algoritmo de clasificación
  • Aplicación a la detección de sentimientos

Bayes Ingenuo

  • Implementación en Excel
  • Ejemplo de aplicación en R
  • Comparación de 4 algoritmos predictivos (Bayes ingenuo, árboles, redes neuronales y regresión logística)

Random Forest

  • Descripción conceptual del método
  • Paquete randomForest
  • Ejemplo de aplicación
  • Comparación con otras técnicas

Métodos Bayesianos

  • Descripción conceptual del método: Regresión lineal bayesiana
  • Regresión logística bayesiana
  • Inferencia bayesiana
  • Red bayesiana
  • Ejemplos de aplicación
  • Paquete BAS
  • Paquete brms
  • Paquete arm
  • Paquete bnlearnd
  • Comparación con otras técnicas

Máquina de soporte vectorial

  • Descripción conceptual del método
  • Paquete e1071
  • Ejemplo de aplicación
  • Comparación con otras técnicas

Metodología:

Modalidad a distancia de forma Online.

Dos clases semanales por videoconferencias interactivas, una teórica y una práctica. La duración de cada clase es de 30 a 60 minutos dependiendo del tema, la cantidad de participantes y el nivel de intervenciones conseguido.

El estudiante tiene actividad complementaria con material de soporte de las clases, material teórico para estudiar, ejercicios resueltos y para resolver, corrección de ejercicios y autoevaluaciones.
La dedicación recomendada a estas actividades es de ocho horas semanales.

Soporte docente por Grupo de WhatsApp, email y foro.

Los grupos de participantes son reducidos y de varios países hispanoparlantes. Lo que aporta diferentes visiones y la posibilidad de networking internacional.

Horarios de la Cursada (GTM-3) en Machine Learning

Diplomatura en Machine LearningDíaHora
Introducción a la Ciencia de Datos2/11/202019 hs
Iniciación en R 1 de 35/11/202019 hs
Iniciación en R 2 de 39/11/202019 hs
Iniciación en R 3 de 312/11/202019 hs
Horarios recurrentes a partir del 16/11/2020
Clases regulares: (1 teórica + 2 prácticas por unidad)Martes21:15 hs
Viernes21:15 hs

Instancias de evaluación:

Examen final.

Requisitos de aprobación

Mínimo 60 % de respuestas correctas.

Equipo docente