Diplomados, tutoriales y cursos Estrategias de Análisis de Datos y Aprendizaje Automático
watch_later 15 de Abril de 2025Desde la Unidad de Extensión de la Facultad de Ingeniería de la Universidad Distrital, te invitamos a inscribirte en el Diplomado en Estrategias de Análisis de Datos y Aprendizaje Automático. Un programa de 120 horas que te brindará habilidades prácticas en manipulación de datos, modelado predictivo y optimización de modelos de machine learning. 💰 Costo: $855.000 (10% de descuento para docentes, estudiantes, egresados y funcionarios de la Universidad). 🖥️ Modalidad: Virtual 🏅 Certificación: Recibirás un certificado de asistencia emitido por la Unidad de Extensión de la Facultad de Ingeniería de la Universidad Distrital Francisco José de Caldas.
Pague en línea
16213
Solicita información acerca de los cursos:
🚀 Domina el análisis de datos y el machine learning para tomar mejores decisiones
📢 ¡Cupos limitados! Inscríbete ahora y lleva tu carrera al siguiente nivel.
✅ ¿Por qué inscribirte en este diplomado?
- Aprende con docentes expertos en análisis de datos y machine learning.
- Aplica técnicas avanzadas de transformación y selección de datos.
- Desarrolla modelos de machine learning con herramientas como Scikit-Learn y XGBoost.
- Mejora tu perfil profesional en el creciente campo de la ciencia de datos.
📌 Contenido del Diplomado
🔹 Módulo 1: Introducción a la Analítica de Datos y Aprendizaje Automático
✔ Exploración de datos y tipos de problemas.
✔ Fundamentos de Python: Numpy, Pandas y Matplotlib.
✔ Preparación, transformación y selección de datos.
🔹 Módulo 2: Herramientas y Técnicas para el Aprendizaje Automático
✔ Validación cruzada y métricas de evaluación.
✔ Algoritmos supervisados y de ensamble para clasificación y regresión.
✔ Optimización de hiperparámetros y predicción de salida.
¿A quién está dirigido?
🏆 ¿A quién está dirigido?
✅ Profesionales en ingeniería, estadística, economía y afines.
✅ Científicos de datos en formación.
✅ Analistas de datos que quieran profundizar en machine learning.
✅ Estudiantes y docentes interesados en inteligencia artificial.
📢 ¡No pierdas la oportunidad de formarte en una de las áreas más demandadas del mercado!
🔗 Inscripciones abiertas.
Competencias a desarrollar
🎯 ¿Qué lograrás con este diplomado?
Al finalizar el programa, serás capaz de:
✅ Explorar y transformar datos para obtener información valiosa en la toma de decisiones.
✅ Aplicar Python y sus bibliotecas especializadas para análisis y modelado de datos.
✅ Seleccionar las características más relevantes para mejorar el rendimiento de los modelos.
✅ Construir y evaluar modelos de machine learning para clasificación y regresión.
✅ Optimizar modelos predictivos para mejorar su precisión y confiabilidad.
✅ Implementar algoritmos avanzados de ensamble para mejorar los resultados del aprendizaje
Módulos
📌 1. Explorando el análisis de datos 🔹 ¿Qué es la analítica de datos y por qué es importante? 🔹 Tipos de problemas en análisis de datos: ✔ Clasificación ✔ Regresión ✔ Clustering ✔ Series de tiempo.
📌 2. Fundamentos de Python para análisis de datos 🔹 Instalación y configuración del entorno Python. 🔹 Introducción a la sintaxis de Python: ✔ Variables, estructuras de control y funciones. 🔹 Uso de librerías esenciales para la ciencia de datos: ✔ Numpy: manejo de arreglos y operaciones matemáticas. ✔ Pandas: manipulación y análisis de datos en formato abular. ✔ Matplotlib & Seaborn: visualización de datos con gráficos avanzados.
📌 3. Preparación de los datos 🔹 Cómo cargar y explorar datos en diferentes formatos (CSV, JSON, bases de datos). 🔹 Técnicas de limpieza y manejo de valores faltantes. 🔹 Estadísticas descriptivas para entender mejor los datos.
📌 4. Métodos de transformación de los datos 🔹 Reescalado de datos: Normalización y estandarización. 🔹 Transformaciones avanzadas: Yeo-Johnson y Box-Cox.
📌 5. Métodos para selección de características 🔹 Métodos de filtro (basados en estadística). 🔹 Métodos de envoltura (Wrapper) y embebidos (Lasso, Ridge).🔹 Algoritmos de ensamble para selección de características.
- 📌 1. Técnicas de remuestreo y validación de modelos: 🔹 División de datos en entrenamiento y prueba. 🔹 Métodos de validación cruzada (Hold-Out, K-Fold, Leave-One-Out).
- 📌 2. Evaluación de modelos de machine learning 🔹 Métricas para modelos de clasificación: ✔ Exactitud, Precisión, Sensibilidad, Especificidad, Puntaje F1. 🔹 Métricas para modelos de regresión:✔ Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE), R-cuadrado (R²).
- 📌 3. Algoritmos supervisados para clasificación y regresión 🔹 Modelos clásicos para clasificación: ✔ Regresión Logística, ✔ Análisis Discriminante Lineal (LDA), ✔ K-Vecinos Más Cercanos (KNN), ✔ Naive Bayes, ✔ Árboles de decisión, ✔ Máquinas de Soporte Vectorial (SVC). 🔹 Optimización de hiperparámetros con Grid Search y Random Search. 🔹 Predicción de la variable de salida con modelos supervisados.
- 📌 4. Algoritmos de Ensamble para clasificación y regresión: 🔹 Métodos de ensamble para mejorar precisión y estabilidad del modelo: ✔ Bagging con árboles de decisión, ✔ Random Forest, ✔ Extra Trees Classifier, ✔ AdaBoost ✔ Gradient Boosting (GBM) ✔ XGBoost, CatBoost y LightGBM, 🔹 Optimización de hiperparámetros en modelos de ensamble, 🔹 Comparación de modelos para seleccionar el mejor.
| Comentarios |
|
No hay comentarios registrados
|
¿Fue o es estudiante del diplomado Estrategias de Análisis de Datos y Aprendizaje Automático?
Si desea dejar algún comentario de su experiencia en el diplomado, por favor ingrese el correo con el que se registró.
