Diplomatura en Machine Learning

Certificado en Machine Learning

Diplomatura en Machine Learning Modalidad a distancia de forma Online.

Dos clases semanales en vivo 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.

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

Soporte docente por Grupo de WhatsApp, email y foro.

El entrenamiento tiene un componente teórico de los conocimientos para que comprendas el por qué se hace lo que se hace, y un fuerte componente práctico orientado a proyectos reales para que aprendas haciendo.

El estudiante tiene actividad complementaria con material de soporte de las clases, material teórico para estudiar, ejercicios resueltos y para resolver. Se realiza corrección de ejercicios y autoevaluaciones.

ENERO BECA 20% OFF
AHORA: $23920 PESOS ARGENTINOS

Para los alumnos que se inscriban a la Diplomatura en Machine Learning desde el exterior desde Argentina, 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.

Inicio: Lunes 25 de Enero de 2021
Duración: 13 semanas Carga horaria: 130 horas Vacantes Disponibles

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

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

Diplomatura en Machine LearningDíaHora
Introducción a la Ciencia de Datos25/1/202119 hs
Iniciación en R 1 de 328/1/202119 hs
Iniciación en R 2 de 31/2/202119 hs
Iniciación en R 3 de 34/2/202119 hs
Clases recurrentes a partir del 07/02
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.

Certificado de aprobación en Machine Learning
Certificado de aprobación en Machine Learning

Equipo docente de la Diplomatura en Machine Learning