Machine Learning con Python

Solicitud de información
Nombres*
Apellidos*
Teléfono Móvil*
Correo Electrónico*
Acepto la Política de privacidad y los Términos de servicio

Machine Learning con Python

El curso de “Machine Learning con Python” se centra en un subcampo específico de aprendizaje automático llamado modelado predictivo. Este es el campo del aprendizaje automático que es el más útil en la industria y el cual se utilizar la librería de aprendizaje automático scikit-learn en Python por su gran rendimiento y facilidad en su uso.

A diferencia de las estadísticas, donde los modelos se usan para comprender los datos, el modelado predictivo se enfoca en el desarrollo de modelos que hacen las predicciones más precisas a expensas de explicar por qué se hacen las predicciones.

A diferencia del campo más amplio del aprendizaje automático que podría utilizarse con datos en cualquier formato, el modelado predictivo se centra principalmente en datos tabulares (por ejemplo, tablas de números como en una hoja de cálculo).

Dirigido a:

  • Comunidad universitaria, público académico y profesionales de todas las especialidades

Información general:

  • Inicio: en programación
  • Horario: Martes 7:30 p.m. (GMT -5)
  • Duración: 8 semanas
  • Modalidad: Virtual

CERTIFICACIÓN

La Escuela de Posgrado de la Universidad Peruana Cayetano Heredia otorgará, según corresponda:

  • Certificado
  1. Al participante que haya aprobado satisfactoriamente las actividades según los criterios de evaluación consignados en el documento del curso.
  2. Contar con el grado académico universitario:
  • Peruanos: Grado de bachiller universitario, verificable (SUNEDU en Línea o mediante entrega de copia del grado académico a la Unidad de Gestión Digital UPCH).
  • Extranjeros: Entrega de Constancia de grado académico a la Unidad de Gestión Digital UPCH

Machine Learning con Python

Unidad 1: Introducción

  • Conceptos básicos de machine learning.
  • Jupyter Notebook como nuestro entorno de machine learning.
  • Curso rápido de Python.

Unidad 2: Análisis de datos

  • Cargar un conjunto de datos.
  • Estadística descriptiva.
  • Visualización de datos.
  • Taller: Trabajo de aplicación de diferentes técnicas analíticas de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.
  • Examen tipo test sobre los contenidos del módulo.

Unidad 3: Preprocesamiento de datos

  • Análisis exploratorio de datos.
  • Preprocesamiento de datos.
  • Métodos de remuestreo para estimar la precisión del modelo.
  • Taller: Trabajo de aplicación de diferentes técnicas de análisis y procesamiento de datos de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.
  • Examen tipo test sobre los contenidos del módulo.

Unidad 4: Fase de tratamiento de datos

  • Evaluación de las métricas.
  • Feature Selection.
  • Feature Importance.
  • Reducción de dimensiones en un dataset.
  • Taller: Aplicación de diferentes técnicas de tratamiento de datos en un conjunto de datos y verificación de su impacto en las métricas algorítmicas.
  • Examen tipo test sobre los contenidos del módulo.

Unidad 5: Fase de modelado

  • Algoritmos de Machine Learning.
  • Rendimiento de los algoritmos.
  • Algoritmos Ensamblados
  • Taller: Aplicación de diferentes algoritmos de machine learning en un conjunto de datos e interpretar la salida obtenida, así mismo, verificar el algoritmo que tenga mejor comportamiento.
  • Examen tipo test sobre los contenidos del módulo.

Unidad 6: Fase de optimización y forecasting

  • Pipelines
  • Procesamiento de datos avanzado
  • Configuración de hiperparámetros
  • Guardado e integración del modelo
  • Taller: Una vez seleccionados los algoritmos candidatos a modelo realizar una optimización de estos a través de la configuración de sus hiperparámetros.
  • Examen tipo test sobre los contenidos del módulo.

Unidad 7: Proyectos de machine learning

  • Trabajar un proyecto de clasificación multiclase
  • Trabajar un proyecto de regresión.
  • Trabajar un proyecto de clasificación binaria.
  • Proyecto: Realizar un proyecto completo analizando todas las fases estudiadas en los diferentes módulos.

Machine Learning con Python

Coordinador del curso


Manuel Castillo Cara

Profesor principal de la Universidad Nacional de Ingenieria (UNI). Ingeniero de informática de la Universidad San Antonio de Murcia, con estudios de posgrado en la Universidad de Castilla – España.

Ha desarrollado proyectos de Tecnologías de la información relacionados al Internet de las cosas y machine learning. Ha realizado publicaciones e investigaciones científicas.

Machine Learning con Python

PROCESO DE INSCRIPCIÓN:

  1. Llenar el formulario de inscripción
  2. Enviar recibo de pago (*)

(*) Enviar el recibo de pago escaneado al correo epgvac.cursovirtual@oficinas-upch.pe

 INVERSIÓN:

  •  S/ 500 Soles

 VACANTES LIMITADAS (*)

(*) La UPCH se reserva el derecho de cancelar el programa si no llega al cupo mínimo de alumnos admitidos hasta el mismo día de inicio del programa.

MODALIDADES DE PAGO:

Código tarifario:  894335 EPG – MACHINE LEARNING CON PYTHON

  • Tienda Virtual UPCH: tiendaupch.pe 
  • Caja UPCH: Pago en efectivo, tarjeta de crédito y débito Visa y crédito Master Card (*)

(*) En los Campus Miraflores y la Molina no se aceptan pagos en efectivo.

Posgrado virtual UPCH

E-mail: epgvac.cursovirtual@oficinas-upch.pe

Teléfonos: (51-1) 319-0000 anexos: 210206 | 210404

WhatsApp: 940798848