Diplomatura en machine learning con python
¿Quieres aprender Machine Learning con Python? 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.
Los programas resultantes deben ser capaces de generalizar comportamientos e inferencias para un conjunto de grandes datos. Esto se aplica a una amplia gama de problemas en las industrias.
Modalidad: Online
Clases interactivas en vivo
Duración: 20 semanas
1 clases en vivo por semana
$79.000,00INSCRIBIRME AHORA
Fechas de Inicio – Plan de Estudio – Formas de pago – Equipo Docente
Fechas de inicio de la cursada
¿Está interesado en aprender Machine Learning con Python?
Nuestra diplomatura está diseñada para aquellos interesados en desarrollar nuevas habilidades para el muy solicitado campo del aprendizaje automático, de manera personalizada con clases en vivo a distancia. Tendrá actividad complementaria con material de apoyo a las clases, material teórico para estudiar y ejercicios resueltos o solucionables.
Te permitirá desarrollar tus conocimientos y habilidades en una de las áreas clave de la ciencia de datos moderna, que implica el diseño de algoritmos para convertir muestras de datos en programas. También desarrollarás habilidades para aplicar estos algoritmos a la inteligencia artificial.
Clases interactivas
Todas las clases en vivo quedan grabadas a disposición de los estudiantes y no se exige asistencia. También dispones de clases de ediciones anteriores.
Aprende haciendo
Un fuerte componente práctico orientado a proyectos para que aprendas haciendo. Al final de la cursada puedes realizar tus propios proyectos.
Consultas online
Acceso a los tutores por plataformas de mensajería instantánea (Telegram). Se coordinan videollamadas para atender consultas específicas.
Plan de estudios de la Diplomatura en Machine Learning con Python
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. Se realizan corrección de ejercicios y autoevaluaciones. 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 Telegram, email y foro.
Programa Académico
Unidad 1: Regresiones
Regresión Lineal, polinómica, exponencial y logarítmica. Regresión de dos variables.
Ejemplos de regresiones con sklearn.linear_model
Regresiones logística.
Ejemplos de clasificación con regresión logística con sklearn.linear_model
Unidad 2: Arboles de decisión
Algoritmo básico en Excel
División en entrenamiento y prueba
Uso de sklearn.tree
Predicción y valoración de la solución
Aplicación al dataset Titanic
Aplicación al problema del call center
Unidad 3: “Clusters”
Algoritmo básico en Excel.
Uso de kmeans.
Ejemplo de aplicación real de sklearn.cluster
Otros algoritmos de agrupamiento en scipy.cluster
Ejercicio de aplicación de agrupamiento de mascotas.
Unidad 4: Reglas de Asociación
Algoritmo básico en Access.
División en entrenamiento y prueba.
Uso de apriori en Python.
Ejemplo de una aplicación real votación de reglas.
Ejemplo de una aplicación real a datos de ventas en supermercados.
Unidad 5: Redes Neuronales
Algoritmo básico en Excel.
División en entrenamiento y prueba.
Instalación y uso del paquete.
Ejemplo en Python.
Principales parámetros de ajuste y control.
Problema concreto.
Unidad 6: 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 método enjambre de partículas.
Unidad 7: Series temporales
Taxonomía.
Separación de componentes.
Predicciones.
Implementación con statsmodel.
Predicción en series con un único período.
Unidad 8: 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 Python.
Unidad 9: Minería de textos
Clasificación supervisada de piezas de texto.
Construcción de una red semántica.
Ejemplos de aplicación real del algoritmo de clasificación.
Aplicación a la detección de sentimientos.
Unidad 10: Bayes Ingenuo
Implementación en Excel.
Ejemplo de aplicación en Python.
Comparación de 4 algoritmos predictivos. (Bayes ingenuo, árboles, redes neuronales y regression logística)
Unidad 11: Random Forest
Descripción conceptual del método.
Paquete sklearn.ensemble.
RandomForestClassifier
RandomForestRegressor
Ejemplo de aplicación.
Comparación con otras técnicas.
Unidad 12: Métodos Bayesianos
Descripción conceptual del método:
Regresión lineal bayesiana: pymc3
Red bayesiana: pgmpy
Unidad 13: Máquina de soporte vectorial
Descripción conceptual del método
Paquete sklearn.svm
Ejemplo de aplicación
Comparación con otras técnicas
Promociones y formas de pago para acceder a la diplomatura
En Argentina puedes abonar en 6 cuotas sin interés con tarjeta de crédito Visa, MasterCard y American Express emitidas por bancos.
$79.000,00INSCRIBIRME AHORA
También puedes abonar tu diplomatura en un pago por Transferencia Bancaria, Efectivo o Tarjeta de Débito.
Desde el exterior de Argentina son $531 Dólares y se puede abonar en 3 cuotas sin interés.
Horarios de la Cursada (GTM-3) de la Diplomatura en Machine Learning con Python
| Diplomatura en Machine Learning con Python | Día y Horario |
|---|---|
| Primer semana (introducción): | Lunes a Viernes a las 19 horas. |
| Segunda semana (introducción): | Martes, Miércoles y Viernes a las 19 horas. |
| A partir de la tercer semana: | Viernes a las 20.15 horas. |
Instancias de evaluación
- Examen final (Mínimo 60 % de respuestas correctas).
- Presentación del proyecto final con tutoría de los docentes.
Equipo docente de la Diplomatura en Machine Learning con Python
Ignacio Urteaga
MBA en Dirección de Sistemas de Información. Físico, (Tesis en física nuclear) Investigador, Premiado en 2001 por sus trabajos en Ciencia de Datos. Más de 30 años de experiencia docente en Universidades y en la aplicación de Datos y BI como Director, Gerente o Consultor en el ámbito público y privado.
Anahí Romo
Licenciada en Ciencias Físicas de la Universidad de Buenos Aires. Maestría en gestión de la energía en la Universidad Nacional de Lanús. Maestría de energías renovables Universidad Nacional de Salta. Desarrolladora Python.
Nicolás del Frate
Ingeniero Electrónico especializado en Telecomunicaciones (FI-UNLP). PM y Program Manager en Google, para proyectos de USA. Más de 20 años de experiencia laboral, en empresas como Ericsson, MCI-Verizon, Telecom Personal, Avaya, ZTE y Telecentro.
