Curso de Machine Learning y Data Science
Domina los algoritmos de aprendizaje automático con Python y construye modelos predictivos capaces de automatizar decisiones inteligentes.
Curso de Machine Learning: Presentación del Programa
El curso de Machine Learning y Data Science de Datametrika está diseñado para llevar tus habilidades analíticas al siguiente nivel. Aprende a formular problemas de negocio en términos de ciencia de datos, aplicar técnicas robustas de ingeniería de características, entrenar algoritmos de aprendizaje supervisado y no supervisado, y evaluar su rendimiento de forma profesional utilizando Python y sus librerías especializadas (Scikit-Learn, Pandas, NumPy).
Temario del Curso de Machine Learning, Sesión por Sesión
- El flujo de trabajo en Data Science y Machine Learning (CRISP-DM).
- Manejo avanzado de estructuras de datos con Pandas y NumPy.
- Tratamiento de valores nulos, duplicados y anomalías (*Data Cleaning*).
- Análisis Exploratorio de Datos (EDA) y visualización estadística con Seaborn y Matplotlib.
- Transformación de variables: Escalado, Normalización y Estándares (`StandardScaler`, `MinMaxScaler`).
- Codificación de variables categóricas (*One-Hot Encoding* y *Label Encoding*).
- Binning, discretización y creación de nuevas variables de negocio.
- Manejo de asimetría (*Skewness*) y transformaciones logarítmicas/Box-Cox.
- Introducción al aprendizaje supervisado: Regresión Lineal Simple y Múltiple.
- Supuestos del modelo de regresión y detección de multicolinealidad (VIF).
- Regularización de modelos: Ridge, Lasso y ElasticNet para evitar sobreajuste (*Overfitting*).
- Métricas de evaluación: MAE, MSE, RMSE y Coeficiente de Determinación ($R^2$).
- Fundamentos de clasificación binaria y multiclase.
- Regresión Logística: Función Sigmoide, umbrales de decisión y odds ratio.
- Algoritmo de K-Vecinos Más Cercanos (KNN) y distancia Euclidiana/Manhattan.
- Matriz de Confusión, Exactitud (*Accuracy*), Precisión, Recall y F1-Score.
- Árboles de Decisión: Criterios de pureza (Ganancia de Información, Entropía e Índice Gini).
- Técnicas de poda (*Pruning*) y control de profundidad de árboles.
- Modelos de Ensamblaje: Bagging (Random Forest) y Boosting (Gradient Boosting, XGBoost).
- Importancia de variables (*Feature Importance*) en modelos basados en árboles.
- Segmentación de datos sin etiquetas con K-Means Clustering.
- Método del Codo (*Elbow Method*) y Coeficiente de Silueta para selección de centroides.
- Clustering Jerárquico y Dendrogramas.
- Reducción de dimensionalidad con Análisis de Componentes Principales (PCA).
- Validación cruzada (*K-Fold Cross-Validation*) para una evaluación robusta.
- Optimización de hiperparámetros con GridSearchCV y RandomizedSearchCV.
- Creación de tuberías de procesamiento y modelado con Scikit-Learn Pipelines (`Pipeline`).
- Serialización de modelos entrenados con Joblib / Pickle.
- Desarrollo integral de un caso de estudio real de Machine Learning (ej. Predicción de Churn, Scoring Crediticio o Detección de Fraude).
- Integración de limpieza, ingeniería de variables, modelado y métricas de negocio.
- Interpretación de modelos con técnicas de explicabilidad (SHAP / Feature Importance).
- Presentación y defensa del proyecto integrador para la certificación final.
Preguntas Frecuentes sobre el Curso de Machine Learning
No es obligatorio tener experiencia previa. El curso introduce el uso de Python y sus librerías (Pandas, NumPy, Scikit-Learn) aplicado directamente a Machine Learning.
El programa tiene una duración de 24 horas académicas, distribuidas en 8 sesiones prácticas en vivo por videollamada.
Sí. Todas las sesiones en vivo quedan grabadas para que puedas repasar el contenido cuando lo necesites.
Sí, Datametrika emite un certificado de finalización con código QR de verificación al completar el curso.
Modalidad
Clases en Vivo + Grabaciones
Duración
24 Horas Académicas
Sesiones
8 Sesiones Prácticas
Certificado
Emitido por Datametrika