Curso Técnicas de Machine Learning

Aprende los diferentes modelos de aprendizaje automático (Machine Learning) que te permitirán entregar valor y competitividad a tu organización. Consigue manejar de mejor manera la gran cantidad de datos generados en las organizaciones.

MODALIDAD Y RITMO

Modalidad: 100% Online

Ritmo:
Nuestros cursos combinan flexibilidad y estructura: duran de 6 a 8 semanas y cada módulo se abre cada 5 días, permitiendo que avances paso a paso de manera constante y sin interrumpir tus actividades diarias*.

* Restricciones aplican a cursos pagados con franquicia tributaria SENCE.

PRECIO Y FORMA DE PAGO

Arancel con 25% dto.
~~CLP $572.000~~ | CLP $429.000

Formas de Pago

Nacional:
Tarjeta de débito
Tarjeta de crédito (3, 6 y 12 cuotas sin interés)
Servipag
Franquicia Tributaria SENCE

Internacional:
Paypal
Flywire

DESCUENTOS

SENCE

Capacitación SENCE 100% Online.

Forma a tu equipo sin costo, con cursos flexibles y el respaldo académico de la UAI.

¿Qué es SENCE?

Cobertura completa de técnicas supervisadas y no supervisadas aplicadas con R

Incluye regularización, Naive Bayes, KNN, árboles, ensamblados, SVM, DBScan y reglas de asociación con implementación real en R.

Enfoque práctico con uso intensivo de datos reales en cada unidad del curso

Todas las clases incluyen laboratorio con paquetes, ejemplos, entrenamiento de modelos y análisis de resultados en R.

Profundización en fundamentos estadísticos para evitar sobreajuste y mejorar predicción

El curso enseña validación cruzada, métricas de calidad predictiva y selección de hiperparámetros para desarrollar modelos robustos.

Orientación aplicada para resolver problemas reales en distintos dominios de negocio

Los modelos se presentan desde su utilidad práctica: clasificación, regresión, segmentación y análisis de patrones de comportamiento.

Formación avanzada que complementa y continúa el curso de Introducción a ML

Este módulo exige conocimientos previos y lleva al estudiante a un nivel superior de dominio técnico y aplicación profesional.

Flexibilidad y acceso remoto

Clases 100% online, permitiendo compatibilizar estudios con trabajo y vida personal, con recursos digitales y acompañamiento académico.

Información del Programa

Bienvenida

Bienvenido al curso “Técnicas de Machine Learning” de la Universidad Adolfo Ibáñez, parte del Diplomado en Machine Learning, diseñado para fortalecer tus competencias en el uso de algoritmos avanzados de aprendizaje automático aplicados a problemas reales, utilizando el lenguaje de programación R.

En un entorno digital donde los datos son el motor de la innovación, el dominio de técnicas supervisadas y no supervisadas de machine learning es clave para generar valor, tomar decisiones inf...

Objetivos

Al finalizar el programa, los alumnos serán capaces de:
• Entrenar y evaluar la calidad predictiva de los algoritmos de aprendizaje supervisados en distintos dominios de aplicación.
• Aplicar técnicas de aprendizaje no supervisado usando datos reales.
• Manejar R para entrenar y validar algoritmos de aprendizaje supervisados, y aplicar técnicas de aprendizaje no supervisados usando datos reales.

¿A quién va dirigido?

El curso está dirigido a profesionales que buscan aprender técnicas supervisadas y no supervisadas de machine learning.

Se sugiere tener conocimientos introductorios a la temática, o bien haber realizado nuestro curso Introducción a Machine Learning.

Metodología

La metodología de UAI Online contempla unidades de contenido 100% en línea, asincrónicas, de aprendizaje individual. El curso está compuesto por una secuencia de unidades que se habilitan paulatinamente. Cada unidad está compuesta por videos expositivos, lecturas obligatorias y complementarias, resumen, glosario, un control, una actividad aplicada y una actividad de desarrollo. En la actividad de desarrollo, el participante deberá contestar una pregunta abierta utilizando el material dispuesto e...

Unidad 1 - Métodos de Regularización

Aprendizaje Esperado:
• Elaborar modelos de regresión con regularización en R usando datos reales mejorando su generalización.

Videos de Contenido:
• Clase:
¤ Introducción.
¤ Trade-off sesgo-varianza. Método Ridge.
¤ Métodos Lasso y Elastic Net.
¤ ¿Cómo elegimos el parámetro que regula la importancia de cada penalización?
• Laboratorio:
¤ Paquetes del software R para regularización.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 2 - Modelos supervisados: Naive Bayes y K-vecinos más cercanos

Aprendizaje Esperado:
• Elaborar modelos de clasificación/regresión mediante las técnicas de Naive Bayes y K-vecinos más cercanos en R, utilizando datos reales.

Videos de Contenido:
• Clase:
¤ Teorema de Bayes. Aplicación.
¤ Naive Bayes. Carecterísticas.
¤ K-vecinos más cercanos. Características.
¤ Elección del parámetro K.
• Laboratorio:
¤ Paquetes de R para las técnicas Naive Bayes y K-vecinos más cercanos.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 3 - Modelos supervisados: Árboles de clasificación/regresión

Aprendizaje Esperado:
• Ejecutar árboles de decisión en R con datos reales, considerando su construcción y poda para optimizar el modelo.

Videos de Contenido:
• Clases:
¤ Introducción.
¤ Construcción del árbol.
¤ Poda.
¤ Ejemplo. Interpretaciones de reglas.
• Laboratorio:
¤ Paquetes de R para la técnica de árboles de regresión/clasificación.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 4 - Modelos supervisados: Algoritmos ensamblados - bagging

Aprendizaje Esperado:
• Identificar algoritmos de ensamblado mediante random forest en R usando datos reales en la resolución de problemas supervisados.

Videos de Contenido:
• Clases:
¤ Introduciendo los algoritmos ensamblados vía bagging
¤ Random forest
¤ Out of bag error
¤ Importancia de variables
• Laboratorio:
¤ Paquetes de R para la técnica de random forest
¤ Ejemplo y uso de R
¤ Análisis de resultados

Unidad 5 - Modelos supervisados: Algoritmos ensamblados - boosting

Aprendizaje Esperado:
• Ejecutar algoritmos de ensamblado mediante boosting (AdaBoost y XGBoost) en R usando datos reales.

Videos de Contenido:
• Clases:
¤ Introduciendo los algoritmos ensamblados vía boosting.
¤ Algoritmo AdaBoost. Características.
¤ Algoritmo XGBoost. Características.
¤ Ejemplos.
• Laboratorio:
¤ Paquetes de R para las técnicas AdaBoost y XGBoost.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 6 - Algoritmo Support Vector Machine (SVM)

Aprendizaje Esperado:
• Reconocer qué es SVM en problemas de regresión y clasificación usando software R.

Videos de Contenido:
• Clase:
¤ Introducción.
¤ SVM en problemas de regresión.
¤ SVM en problemas de clasificación.
¤ Ejemplos y cuestiones prácticas.
• Laboratorio:
¤ Paquetes de R para la técnica SVM.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 7 - Modelos no supervisados: algoritmo DBScan

Aprendizaje Esperado:
• Aplicar el algoritmo DBScan a casos prácticos usando, datos reales y software R.

Videos de Contenido:
• Clases:
¤ DBScan. Introducción. Características.
¤ Selección de parámetros.
¤ Selección de grupos.
• Laboratorio:
¤ Paquetes de R para la técnica DBScan.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 8 - Modelos no supervisados: Reglas de Asociación

Aprendizaje Esperado:
• Aplicar el algoritmo reglas de asociación a casos prácticos usando el software R.

Videos de Contenido:
• Clases:
¤ Introducción.
¤ ¿Cómo se construyen reglas de asociación?
¤ Evaluación de las reglas.
¤ Ejemplo.
• Laboratorio:
¤ Paquetes de R para las técnicas reglas de asociación.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

FOLLETO MATRICÚLATE

Descuentos Becas y Financiamiento

25% HASTA FIN DE MES

Descuentos NO acumulables

Curso Técnicas de Machine Learning

Aprende los diferentes modelos de aprendizaje automático (Machine Learning) que te permitirán entregar valor y competitividad a tu organización. Consigue manejar de mejor manera la gran cantidad de datos generados en las organizaciones.

MODALIDAD Y RITMO

PRECIO Y FORMA DE PAGO

SENCE

Cobertura completa de técnicas supervisadas y no supervisadas aplicadas con R

Enfoque práctico con uso intensivo de datos reales en cada unidad del curso

Profundización en fundamentos estadísticos para evitar sobreajuste y mejorar predicción

Orientación aplicada para resolver problemas reales en distintos dominios de negocio

Formación avanzada que complementa y continúa el curso de Introducción a ML

Flexibilidad y acceso remoto

Información del Programa

Bienvenida

Objetivos

¿A quién va dirigido?

Metodología

Unidad 1 - Métodos de Regularización

Unidad 2 - Modelos supervisados: Naive Bayes y K-vecinos más cercanos

Unidad 3 - Modelos supervisados: Árboles de clasificación/regresión

Unidad 4 - Modelos supervisados: Algoritmos ensamblados - bagging

Unidad 5 - Modelos supervisados: Algoritmos ensamblados - boosting

Unidad 6 - Algoritmo Support Vector Machine (SVM)

Unidad 7 - Modelos no supervisados: algoritmo DBScan

Unidad 8 - Modelos no supervisados: Reglas de Asociación

Rolando de la Cruz

Compra Particular

Compra Empresa - individual

Compra Empresa - grupos

Compra Empresa - franquicia tributaria SENCE

Descuentos Becas y Financiamiento

También te puede interesar...

Curso el factor humano en la era digital y de la iA

Certificado Profesional en Agentic AI

Curso Python para Análisis de Datos

Curso Ciencias Sociales Computacionales Aplicadas

Curso en Vibe Coding

CONTACTO ADMISIÓN

ADMISIÓN

ALIANZAS ORGANIZACIONALES