Relevancia del Aprendizaje Automático

El aprendizaje automático es una rama de la inteligencia artificial (IA) que se centra en desarrollar soluciones que “aprenden” a partir de los datos que consumen.

Según la empresa de investigación Market and Markets el mercado de soluciones y servicios relacionados con el aprendizaje automático crecerá de 1,000 millones USD en 2016 a 9,000 millones USD en 2022.

De acuerdo con una encuesta realizada en 2020 a 423 personas de 147 organizaciones por Refinitiv las principales razones por la que las empresas se interesan en soluciones basadas en aprendizaje automático son:

  • Generar mayor valor a partir de sus datos (71%)
  • Reducir costos (65%)
  • Mejorar la calidad de los datos (61%)
  • Identificar nuevas oportunidades de mercado (53%)
  • Reducir riesgos y mejorar el cumplimiento (50%)

El científico de datos


Los científicos de datos son las personas que desarrollan soluciones de aprendizaje automático en las organizaciones. Su formación incluye conocimientos de matemáticas, estadística, programación, bases de datos, big data, análisis y visualización de datos, entre otros.

Este curso hace accesibles los conceptos y usos básicos del aprendizaje automático a un público más amplio. Los beneficios que se pueden derivar de esto son:

  • Facilitar y mejorar la comunicación entre usuarios de negocio y científicos de datos
  • Tener un mejor entendimiento de los alcances y limitaciones de estas soluciones dentro de las diferentes áreas de una Organización
  • Incentivar la generación de ideas sobre casos de uso y aplicaciones para estas tecnologías al contar con un público informado más amplio
  • Despertar el interés de una comunidad más amplia para profundizar en los conceptos y técnicas que se revisan durante el curso


Temario


  Introducción al aprendizaje automático
Available in días
días after you enroll
  Entendimiento de los datos
Available in días
días after you enroll
  Preparación de los datos
Available in días
días after you enroll
  Aprendizaje automático
Available in días
días after you enroll
  Clasificación
Available in días
días after you enroll
  Regresión
Available in días
días after you enroll
  Ensambles de algoritmos
Available in días
días after you enroll
  Selección de modelos, afinación de hiperparámetros y salvado de modelos
Available in días
días after you enroll
  Ejemplos completos
Available in días
días after you enroll
  Aprendizaje no supervisado
Available in días
días after you enroll
  Fin del curso
Available in días
días after you enroll
  Aprendizaje por reforzamiento (tema opcional)
Available in días
días after you enroll

This course is closed for enrollment.

Enfoque del curso


Examinaremos diferentes algoritmos y técnicas del aprendizaje automático usando la plataforma WEKA desarrollada por la Universidad de Waikato de Nueva Zelanda. Esta plataforma no tiene costo, está disponible libremente bajo la licencia pública GNU y puede correr en Windows, Mac OSx y Linux.

Todo el curso es práctico. Los algoritmos se explican de forma intuitiva de modo que sabrás cómo funcionan, pero sin entrar en los detalles ni en la fundamentación teórica de cada uno. 

Cada concepto explicado lo reforzarás a través de prácticas guiadas en los videos. También tendrás oportunidad de hacer algunos ejercicios por tu cuenta que complementarán tu comprensión del tema.


Objetivos, duración y requisitos


Al finalizar el curso serás capaz de:

  • Entender y aplicar los procedimientos más comunes para preparar los datos para poder ser usados con algoritmos de aprendizaje automático.
  • Manejo de valores faltantes
  • Transformación de variables categóricas a numéricas
  • Escalar valores
  • Discretizar valores
  • Selección de variables
  • Explicar cómo funcionan el aprendizaje supervisado y no supervisado.
  • Conocer el flujo de tareas asociadas al aprendizaje supervisado.
  • Entender de manera general y aplicar los siguientes algoritmos de aprendizaje automático:
  • Regresión logística
  • Naive Bayes
  • Árbol de decisión
  • K-Nearest Neighbor
  • Support Vector Machine
  • Regresión lineal
  • Random Forest
  • Red Neuronal
  • Aplicar los criterios y procedimientos más comunes para medir el desempeño de un algoritmo de aprendizaje automático.
  • Entender las carácterísticas principales de los ensambles de algoritmos.
  • Poder construir experimentos para evaluar y seleccionar diferentes algoritmos.
  • Entender de forma general los procedimientos para afinar los hiperparámetros de algún algoritmo.
  • Describir de manera general y aplicar algoritmos de aprendizaje no supervisado para:
  • Segmentación
  • Reglas de asociación

El curso incluye ejercicios de laboratorio que te permiten probar los distintos algoritmos y técnicas revisadas.  



¿A quién va dirigido?

  • Analistas de datos
  • Usuarios de información que realicen tareas vinculadas con datos
  • Gerentes de equipos de trabajo involucrados con el aprovechamiento de los datos de la Organización
  • Científicos de datos que estén iniciando su actividad profesional



Requisitos

El curso es de nivel introductorio, no se requiere experiencia previa.



Duración 

El curso está planeado para ser completado en 24 horas aproximadamente.

Elige una opción