Ir al contenido principal

uecp: mlds2
Introducción a Machine Learning con Python

Introducción a Machine Learning con Python
La inscripción en este curso es sólo por invitación

Aprende los fundamentos del Machine Learning y su uso para resolver problemas del análisis de datos
La inscripción en este curso es sólo por invitación
Logo UNAL

Introducción a Machine Learning con Python

INSCRIBIRSE

Acerca de

Contenido

Segundo módulo del programa de formación Machine Learning & Data Science, en el que se introducirán las técnicas y herramientas de aprendizaje computacional en la resolución de problemas de análisis de datos

En el programa de formación en MLDS se asume la educación como un proceso de interacción dinámica centrada en los participantes, donde el rol del profesor, además de proveer su experiencia profesional y los elementos conceptuales, se concentra en ser un dinamizador de las actividades de aprendizaje. Desde esta perspectiva la metodología debe reflejar el enfoque propiciando el desarrollo de las competencias propuestas.

El módulo se impartirá de manera virtual. Para tal fin, los estudiantes contarán con acceso a un sistema de videoconferencia para las sesiones sincrónicas y acceso a una plataforma de aprendizaje autónomo dónde encontrarán una gran cantidad de recursos educativos digitales (REDs) que han sido especialmente diseñados para esta actividad, tales como: videos, imágenes, animaciones, lecturas, notebooks de código pre programado, guías de referencia, etc.

Contenido del curso

En el transcurso del curso se realizarán las siguientes unidades temáticas:

Unidad 1 - Introducción al aprendizaje computacional y Scikit-learn

  • Introducción al aprendizaje computacional
  • Arquitectura de librería scikit-learn
  • Implementación de algoritmos de aprendizaje en Python con scikit-learn

Unidad 2 - Desarrollo de modelos de aprendizaje computacional

  • Tareas de clasificación y regresión
  • Modelos de clasificación con scikit-learn
  • Metricas de desempeño para modelos de clasificación
  • Estrategias de validación cruzada

Unidad 3 - Aprendizaje supervisado: Métodos de clasificación

  • Fundamentos de métodos de clasificación
  • Implementación de modelos de clasificación
  • Fundamentos de modelos de regresión no lineal con redes neuronales
  • Fundamentos de modelos de análisis de series de tiempo con redes neuronales
  • Afinación de modelos de Machine learning mediante Exploración de hiperparámetros

Unidad 4 - Anprendizaje No Supervisado: Agrupamiento

  • Fundamentos de algoritmo de agrupamiento k-means
  • Implementación de modelos de agrupamiento con scikit-learn
  • Evaluación de modelos de agrupamiento

Unidad 5 - Aprendizaje No Supervisado: Reducción de la Dimensionalidad, Preprocesamiento y Pipelines de ejecución

  • Fundamentos del algorimo PCA
  • Implementación de modelos de reducción dimensional con scikit-learn
  • Definición de Pipeline en scikit-learn

INSCRIBIRSE

EQUIPO DOCENTE

Profesor Fabio

Fabio Augusto González Osorio, PhD

Profesor Titular del Departamento de Ingeniería de Sistemas e Industrial. Coordinador del programa de Doctorado en Ingeniería de Sistemas y Computación, Universidad Nacional de Colombia, Bogotá. Amplia experiencia en investigación en aprendizaje computacional, minería de datos, recuperación de información, procesamiento de lenguaje natural y visión por computador. Participación en diversos proyectos de investigación internacionales y nacionales. Más de 100 publicaciones científicas en revistas, libros y conferencias internacionales. Lidera el grupo de investigación MindLab (Machine Learning Perception and Discovery Lab).

INSCRIBIRSE

LANDING PAGE
La inscripción en este curso es sólo por invitación