Curso - Abierto al público - Presencial - Sede Bucaramanga

El curso busca desarrollar las habilidades y conocimiento de los participantes en las técnicas de Aprendizaje Supervisado de Machine Learning. Aprenderán a utilizar las librerías de R y Python (Sklearn) para problemas clasificación con Knn, árboles de decisión y regresión múltiple. Se presenta un estudio de la solución de un caso de clasificación mediante cómo evaluar la exactitud y bondad de un modelo.

Este curso es homologable en el Diplomado Ciencia de Datos, como el 3er módulo del programa. 

  • Dirigido a

    Profesionales, técnicos o tecnólogos en todas las áreas interesados en conocer y aplicar técnicas de Machine Learning de aprendizaje supervisado en todas las áreas de conocimiento. 

  • Objetivos

    General

    Conocer y aplicar algoritmos de Machine Learning de aprendizaje supervisado usando las librearías de Python y R, trabajando con datos “etiquetados”, para encontrar funciones a través de variables de entrada.


    Específicos

    • Conocer las generalidades de aprendizaje supervisado
    • Conocer y aplicar algoritmos clasificación KNN, árboles de decisión y regresión múltiple, regresión logística y Naive Bayes. 
    • Conocer y aplicar metodologías de evaluación de exactitud del modelo.
  • Competencias de formación

    Comprende

    El participante comprende los objetivos de los algoritmos supervisados en Machine Learning.


    Analiza

    El participante aprende las herramientas y algoritmos de aprendizaje supervisado y cómo aplicarlo de acuerdo con la naturaleza del problema y los datos obtenidos.


    Aplica

    El participante a través de un taller aplica los conocimiento y técnicas de aprendizaje supervisado para crear un modelo desde un dataset seleccionado y evalúa su desempeño.

  • Metodología

    Curso teórico-práctico, donde el asistente entenderá aplicará los criterios y algoritmos mediante prácticas y talleres en diferentes áreas de conocimiento (Ingeniería, administrativas, marketing, medicas, entre otras) con el fin de integrar los contenidos y con las herramientas de programación R, Python para generar aprendizaje activo.

  • Plan de Estudios

    Unidad 1: Introducción a Machine Learning Supervisado

    Unidad 2: Clasificación KNN y validación

    Unidad 3: Arboles de Decisión y validación

    Unidad 4: Regresión lineal y validación

  • Docente

    Alfredo Antonio Díaz Claro. Magister en Ciencias computacionales UNAB-ITESM., Magister en Administración de Telecomunicaciones – ITESM., Especialista en Sistemas de información EAFIT- Medellín. Administrador de Empresas UNAB. Certificado auditor interno seguridad de la información (ISO 27000), Inteligencia de negocios, Dirección y Gerencia de Proyectos y Tecnología. Consultor y gerente de proyectos en el diseño y desarrollo de estrategias en Inteligencia de negocios, Minería de Datos (Power BI, Pentaho,), Analítica (Python, R, Knime) y BigData (Hadoop).

    **La UNAB se reserva el derecho a modificar el cuerpo docente

Institución de Educación Superior sujeta a la inspección y vigilancia del Ministerio de Educación Nacional