Curso

Tratamiento de Datos e Introducción a Machine Learning

El Curso Tratamiento de Datos e Introducción a Machine Learning está diseñado para que aprendas a gestionar, limpiar y analizar datos de manera eficiente, desarrollando las bases para entrenar modelos de inteligencia artificial. Dominarás los fundamentos del machine learning aplicados a la toma de decisiones, la predicción de escenarios y la resolución de problemas en distintos sectores.

Modalidad

Sincrónica

Duración

40 horas

Costo

$ 1.400.000

Recibe más información

Llena los datos en el formulario para recibir mas información del programa

X/Twitter

Este campo es un campo de validación y debe quedar sin cambios.

Nombres(Obligatorio)

Apellidos(Obligatorio)

Tipo de Documento(Obligatorio)

Número de Documento(Obligatorio)

Celular(Obligatorio)

Email(Obligatorio)

Nivel educativo(Obligatorio)

Este campo está oculto cuando se visualiza el formulario

Programa de tu interés(Obligatorio)

Información del programa

Su enfoque será práctico, con ejercicios de programación en Python utilizando los frameworks pandas y sklearn, donde en cada clase se combinará una explicación teórica con la solución de un ejercicio aplicado. La preparación de datos es una de las principales actividades de los científicos de datos e ingenieros, representando más del 70% del tiempo en proyectos de Machine Learning, ya que los errores en el código suelen derivarse de un tratamiento inadecuado de los datos. Además, durante el análisis exploratorio, se pueden identificar patrones y características inherentes antes de aplicar técnicas más avanzadas. Este curso está diseñado para dotar a los participantes de herramientas que les permitan preparar conjuntos de datos estructurados para su exploración y posterior análisis con técnicas básicas de Machine Learning, abordando algoritmos clásicos con un enfoque práctico, lo que permitirá obtener resultados de manera rápida y optimizar modelos para seleccionar el que mejor describa el comportamiento del fenómeno analizado.

Objetivos

Objetivo general:

Mostrar la preparación de datos como la etapa más importante antes de realizar cualquier análisis o plantear modelos de machine learning.

Objetivos Específicos:

Hacer una introducción a los algoritmos de machine learning mediante el uso de la librería sklearn.
Enseñar a los estudiantes a realizar un análisis exploratorio EDA y poder preparar los datos para algoritmos de machine learning mediante el framework pandas de Python.

Perfil del aspirante

Este curso está dirigido a profesionales, estudiantes y entusiastas del análisis de datos e inteligencia artificial que deseen fortalecer sus habilidades en el tratamiento de datos y en la implementación de técnicas básicas de Machine Learning utilizando Python. Se recomienda que los participantes tengan conocimientos fundamentales sobre el lenguaje Python, así como experiencia en la gestión de entornos virtuales con herramientas como Anaconda, Virtualenv o Poetry. También es conveniente contar con una comprensión básica de estadística descriptiva para interpretar adecuadamente las métricas de evaluación de modelos.

Competencias previas

Conocimientos basicos del lenguaje de programación python
Conocimientos basicos en estadistica descriptiva

Metodología

La metodología será muy práctica y enfocada en el desarrollo de software donde cada clase se verá una explicación teórica del tema a tratar con un ejemplo y su solución en Python.

De igual manera, se propondrá un ejercicio corto para aplicar lo aprendido en la parte teórica: el ejercicio se resolverá de manera participativa por los estudiantes y se resolverán todas las dudas en el mismo espacio.

Módulo I - Repaso de conceptos básicos de Python

Instalación de entorno Anaconda
Creación de entornos virtuales y el uso de los mismos
Programación en notebooks
Programación de scripts clases y métodos (conceptos básicos de programación orientada a objetos)
Tipos de datos en Python

Módulo II - Manipulación de datos con pandas

Pandas como librería para manipulación de datos
Lectura de archivos desde diferentes fuentes, csv, xls, SQL, txt, json y lectura desde url
Manipulación básica para poder entender los datos que se leyeron en el apartado anterior
Visualizaciones básicas para entender el comportamiento estadístico básico de los datos
Reemplazo de valores faltantes o fuera de rango: entender el concepto de outlier
Creación de conjuntos y subconjuntos condicionados
Agrupaciones de datos y operaciones con datos agrupados
Agrupaciones de varias fuentes de datos para creación de una única fuente consolidada (en esta parte se verán las operaciones de conjuntos aplicadas a la manipulación de datos)
Correlación estadística

Módulo III - Aprendizaje supervision

Regresión lineal
Regresión lineal múltiple
Regresión logística
Árboles de decisión

Módulo IV - Aprendizaje no supervisado

Clustering
Análisis de componentes principales
Kmeans

La Universidad de América se reserva el derecho de ajustar, cambiar o modificar el contenido del programa.

¿Quieres crecer profesionalmente, actualizarte o aprender nuevas habilidades?

Selecciona el programa de tu interés, diligencia los datos del formulario, si alguna casilla no aplica, coloca NA.
Si tu programa es presencial por favor remite la copia de afiliación vigente a eps al correo educación.continua@uamerica.edu.co

Selecciona el programa de tu interés, diligencia los datos del formulario, si alguna casilla no aplica, coloca NA.
Si tu programa es presencial por favor remite la copia de afiliación vigente a eps al correo

educación.continua@uamerica.edu.co

¿Necesitas ayuda en cualquier momento?

Estamos contigo en todo el proceso. Contacta a un asesor de experiencia aquí

Pagos en línea

Realiza tus pagos de forma rápida, segura y desde cualquier lugar a través de nuestra plataforma en línea. Ingresa con tu usuario, selecciona el concepto a pagar y completa la transacción en pocos pasos. Tu educación al alcance de un clic.