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
Formato: Asincrónico. Cada módulo se compone de vídeos, lecturas, actividades y evaluaciones.
Inicio: Puedes elegir tu fecha de inicio.
Ritmo: Nuestros cursos duran de 6 a 8 semanas y cada módulo se habilita cada 5 días*.
* Restricciones aplican a cursos financiados mediante 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
DURACIÓN Y CRÉDITOS SCT
Duración: 6 a 8 semanas
Créditos SCT: 4
¿En qué se diferencia de otros programas?
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
¿Qué vas a aprender en Curso Técnicas de Machine Learning?
Unidad 1 - Métodos de Regularización
• 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
• 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
• 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
• 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
• 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)
• 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
• 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
• 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.
Rolando de la Cruz
Doctor en EstadísticaDirector del Magíster en Inteligencia Artificial y del Magíster en Data Science UAICompra Particular
- 1. Seleccionar el botón "Matricúlate".
- 2. Completar los datos solicitados.
- 3. Seleccionar tu método de pago.
- 4. En menos de 48 horas recibirás en tu correo las credenciales de acceso e instrucciones para iniciar el Curso.
Compra Empresa - individual
- 1. Seleccionar el botón "Matricúlate".
- 2. Completar tus antecedentes personales.
- 3. En Pago, escoger la opción "Una empresa paga parte o todo el programa".
- 4. Seleccionar monto o porcentaje a pagar por la empresa.
- 5. Subir Orden de Compra o Carta de patrocinio y completar datos para facturación (detalles necesarios para su emisión).
- 6. En un plazo de 5 días hábiles recibirás las credenciales de acceso en tu correo.
Compra Empresa - grupos
- 1. Deben enviar un correo a [email protected] adjuntando:
- a. Orden de Compra por el total de los participantes (detalles necesarios para su emisión).
- b. Planilla de datos de participantes (descargar).
- 2. En un plazo de 5 días hábiles los estudiantes recibirán las credenciales de acceso en sus correos.
Compra Empresa - franquicia tributaria SENCE
- 1. Coordinar con [email protected] los requisitos de matrícula SENCE UAI, disponibilidad del curso, precio, fechas, número de alumnos e información SENCE.
- 2. Considerar los plazos de matrícula UAI y seleccionar la fecha del curso.
- 3. Inscribir el curso en SENCE con los datos proporcionados por OTEC UAI.
- 4. Enviar la Orden de Compra con ID SENCE y documentos adicionales a [email protected].
Preguntas Frecuentes
¿En qué se enfoca el curso de Técnicas de Machine Learning?
El curso profundiza específicamente en técnicas de machine learning, abordándolo como un ámbito de aprendizaje aplicable a contextos profesionales.
¿Para qué puede servir Técnicas de Machine Learning en un contexto profesional?
Puede servir para fortalecer capacidades de análisis, uso de información o tecnología vinculadas con técnicas de machine learning, apoyando decisiones y tareas donde los datos o herramientas digitales son relevantes.
¿Qué relación tiene Machine Learning con los problemas que aborda el programa?
Machine Learning es el foco central o una de las técnicas principales del programa para trabajar con datos, identificar patrones y apoyar análisis o decisiones.
Descuentos, becas y formas de pago del arancel
25% HASTA FIN DE MES
Descuentos NO acumulables
Nacional:
Tarjeta de débito
Tarjeta de crédito (3, 6 y 12 cuotas sin interés)
Servipag
Franquicia Tributaria SENCE
Internacional:
Paypal
Flywire
Hasta 12 cuotas sin interés con tarjeta de crédito (todos los bancos).
También te puede interesar...
CONTACTO ADMISIÓN
ADMISIÓN
ADMISIÓN UAI ONLINE
[email protected]Whatsapp
+56950094817ALIANZAS ORGANIZACIONALES
Website
Alianzas Organizacionales