We may earn an affiliate commission when you visit our partners.
Course image
Haydemar Nuñez Castro

Este curso te va a brindar conocimientos, tanto teóricos como prácticos, para que puedas construir modelos predictivos utilizando técnicas de aprendizaje automático (en inglés, machine learning). Estos modelos nos permiten anticipar en alguna medida eventos futuros y, en consecuencia, pueden ser utilizados para apoyar la toma de decisiones en las organizaciones y, en general, en cualquier dominio de aplicación.

Read more

Este curso te va a brindar conocimientos, tanto teóricos como prácticos, para que puedas construir modelos predictivos utilizando técnicas de aprendizaje automático (en inglés, machine learning). Estos modelos nos permiten anticipar en alguna medida eventos futuros y, en consecuencia, pueden ser utilizados para apoyar la toma de decisiones en las organizaciones y, en general, en cualquier dominio de aplicación.

El curso consta de 4 módulos, cada uno de una semana, en los cuales vas a tener la oportunidad de conocer y analizar diferentes casos de estudio con el objetivo de que tengas un panorama amplio de las aplicaciones de los modelos predictivos.

En el primer módulo estudiaremos algunos fundamentos del aprendizaje automático y te mostraremos ejemplos de proyectos que pueden ser realizados con estas técnicas. El segundo módulo lo dedicaremos a la tarea de regresión y cómo construir modelos de predicción numérica con algoritmos lineales. A continuación, en el tercer módulo, estudiaremos algunos conceptos importantes en el aprendizaje supervisado, como la complejidad de modelos y la capacidad de generalización. Veremos entonces algunas técnicas que te permitirán mejorar el rendimiento de tus modelos. Por último, en el cuarto módulo, estudiaremos la tarea de clasificación y cómo construir modelos predictivos con algoritmos basados en árboles de decisión.

Este curso está pensado para personas de diferentes disciplinas que quieran adentrarse en el mundo del aprendizaje automático y sus aplicaciones en el análisis de información, que estén iniciando estudios universitarios o con un título profesional. El aspirante a tomar este curso puede provenir de cualquier campo del conocimiento y estar incorporado en cualquier ámbito industrial, empresarial o académico.

Este curso requiere la instalación de un programa especial (Anaconda/Jupyter Notebook). Es recomendable que el equipo cuente con más de 4GB de RAM y espacio en disco duro superior a 1GB.

Enroll now

What's inside

Syllabus

Fundamentos del aprendizaje automático
Bienvenido al primer módulo del curso. Aquí te voy a mostrar, a través del estudio de algunos casos de uso, qué es el aprendizaje automático y cuáles son las características de los proyectos que pueden ser realizados con estás técnicas. Además, conocerás algunas áreas de aplicación del aprendizaje automático y sabrás diferenciar los diversos contextos de aprendizaje, supervisado y no supervisado, así como sus tareas asociadas. También tendrás la oportunidad de conocer el proceso de aprendizaje a través de una metodología y cuáles son algunas herramientas, en el lenguaje de programación Python, que puedes utilizar para la implementación de este tipo de proyectos.
Read more
Tarea de regresión
Bienvenido al segundo módulo del curso, el cual lo dedicaremos al estudio de la tarea de regresión. Aprenderás cómo resolver un problema de predicción numérica utilizando el algoritmo de regresión lineal, tanto simple como de múltiples variables. También conocerás algunas métricas que te permitirán medir el rendimiento del modelo generado, así como técnicas para determinar la calidad de las predicciones para datos nuevos. Por último, aplicarás estos conceptos a un caso utilizando la librería de aprendizaje automático scikit-learn.
Complejidad de modelos y capacidad de generalización
Bienvenido al tercer módulo del curso, en el cual vamos a estudiar algunas técnicas que te permitirán mejorar el rendimiento de los modelos predictivos. En primer lugar, veremos una trasformación que habilita el uso de la regresión lineal en problemas no lineales. Luego, presentaremos un concepto muy importante en al aprendizaje a partir de datos, la complejidad de modelos, y discutiremos cómo este puede afectar el rendimiento de generalización. También aprenderás qué es la regularización y cómo funciona como método de control de complejidad. Conocerás las versiones regularizadas de la regresión lineal y cómo ajustar hiperparámetros con técnicas de validación. Por último, tendrás la oportunidad de aplicar estos conceptos a un caso utilizando la librería scikit-learn.
Tarea de clasificación
Bienvenido al último módulo del curso, en el cual estudiaremos la tarea de clasificación. Aprenderás cómo un algoritmo de aprendizaje resuelve un problema de este tipo y veremos en acción uno muy popular, los árboles de decisión. También conocerás algunas métricas para evaluar este tipo de modelos y cuál es la base a partir de la cual se derivan. Además, aplicarás los conceptos vistos sobre complejidad y ajuste de hiperparámetros para construir modelos basados en árboles de decisión con buenas capacidades de generalización. Por último, resolverás un caso utilizando la librería de aprendizaje automático scikit-learn. Para cerrar, tendrás la oportunidad de comprender las implicaciones éticas en el desarrollo de soluciones a partir de datos.

Good to know

Know what's good
, what to watch for
, and possible dealbreakers
Desarrolla competencias fundamentales para realizar análisis predictivos utilizando técnicas de aprendizaje automático
Proporciona una sólida base para comprender los conceptos fundamentales del aprendizaje automático
Abarca una gama de tareas de aprendizaje automático, incluyendo regresión y clasificación
Utiliza la popular biblioteca de aprendizaje automático scikit-learn, lo que permite a los alumnos aplicar los conceptos aprendidos en proyectos prácticos
Dirigido a estudiantes universitarios o profesionales interesados en el análisis de datos y el aprendizaje automático

Save this course

Save Modelos predictivos con aprendizaje automático to your list so you can find it easily later:
Save

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in Modelos predictivos con aprendizaje automático with these activities:
Repaso de álgebra lineal
Repasar los conceptos básicos de álgebra lineal te ayudará a comprender mejor los fundamentos del aprendizaje automático.
Show steps
  • Revisa los conceptos básicos de álgebra lineal, como vectores, matrices y ecuaciones lineales.
  • Resuelve problemas de práctica para reforzar tu comprensión.
Resuelve ejercicios de regresión y clasificación
Te ayudará a reforzar los conceptos de regresión y clasificación, mejorando tu capacidad para comprender y aplicar estos algoritmos.
Show steps
  • Encuentra conjuntos de datos de regresión y clasificación.
  • Aplica algoritmos de regresión y clasificación a los conjuntos de datos.
  • Analiza los resultados y ajusta los hiperparámetros según sea necesario.
Tutoriales sobre algoritmos de aprendizaje automático
Seguimiento de tutoriales te permitirá profundizar su comprensión de los algoritmos de aprendizaje automático y cómo se aplican a problemas del mundo real.
Browse courses on Clustering
Show steps
  • Busca tutoriales sobre algoritmos de aprendizaje automático que sean relevantes para el curso.
  • Sigue los tutoriales y completa los ejercicios de práctica.
Show all three activities

Career center

Learners who complete Modelos predictivos con aprendizaje automático will develop knowledge and skills that may be useful to these careers:
Machine Learning Engineer
Machine Learning Engineers are responsible for the design, development, and deployment of machine learning models. This course will help you develop the skills you need to be a successful Machine Learning Engineer, including a strong understanding of the fundamentals of machine learning, experience with programming languages like Python, and proficiency with machine learning libraries like scikit-learn.
Data Scientist
Data Scientists analyze data to extract valuable insights for organizations. As a Data Scientist, you will use the skills learned in this course to develop and implement machine learning models that solve business problems. This course will help you build a strong foundation in the fundamentals of machine learning, including regression, classification, and model evaluation. You will also learn how to use the Python programming language and the scikit-learn library to implement machine learning algorithms.
Data Analyst
Data Analysts are responsible for collecting, cleaning, and analyzing data to identify trends and patterns. This course will help you develop the skills you need to be a successful Data Analyst, including a strong understanding of data analysis techniques, experience with data visualization tools, and proficiency with programming languages like Python.
Business Analyst
Business Analysts are responsible for analyzing business processes and identifying opportunities for improvement. This course will help you develop the skills you need to be a successful Business Analyst, including a strong understanding of business analysis techniques, experience with data analysis tools, and proficiency with programming languages like Python.
Database Administrator
Database Administrators are responsible for managing and maintaining databases. This course may be useful for Database Administrators who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Financial Analyst
Financial Analysts are responsible for analyzing financial data and making investment recommendations. This course may be useful for Financial Analysts who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Risk Analyst
Risk Analysts are responsible for identifying and assessing risks. This course may be useful for Risk Analysts who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Data Engineer
Data Engineers are responsible for designing, building, and maintaining data pipelines. This course may be useful for Data Engineers who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Quantitative Analyst
Quantitative Analysts are responsible for developing and implementing mathematical models to solve financial problems. This course may be useful for Quantitative Analysts who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Actuary
Actuaries are responsible for assessing risk and uncertainty. This course may be useful for Actuaries who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Software Developer
Software Developers are responsible for designing, developing, and testing software applications. This course may be useful for Software Developers who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Market Researcher
Market Researchers are responsible for collecting and analyzing data about consumer behavior. This course may be useful for Market Researchers who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Operations Research Analyst
Operations Research Analysts are responsible for developing and analyzing mathematical models to solve business problems. This course may be useful for Operations Research Analysts who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Statistician
Statisticians are responsible for collecting, analyzing, and interpreting data. This course may be useful for Statisticians who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.
Software Engineer
Software Engineers are responsible for designing, developing, and testing software applications. This course may be useful for Software Engineers who want to learn more about machine learning and how it can be used to solve business problems. The course will help you build a foundation in the fundamentals of machine learning, including regression, classification, and model evaluation.

Reading list

We've selected nine books that we think will supplement your learning. Use these to develop background knowledge, enrich your coursework, and gain a deeper understanding of the topics covered in Modelos predictivos con aprendizaje automático.
Provides comprehensive coverage of pattern recognition and machine learning. It offers a detailed exploration of the theoretical foundations and practical applications of these techniques, making it a valuable resource for this course.
Provides practical guidance on applying machine learning techniques to real-world problems. It offers step-by-step instructions and case studies, making it a useful resource for this course.
Provides an advanced treatment of statistical learning methods and is suitable for learners with a strong mathematical background. It offers in-depth coverage of various topics, making it a valuable reference for this course.
Takes an algorithmic approach to machine learning and provides a solid understanding of the underlying algorithms. It offers a practical perspective and includes exercises, making it a useful resource for this course.
Provides a comprehensive overview of Bayesian reasoning and machine learning. It covers both theoretical foundations and practical applications, making it a useful reference for this course.
Provides a theoretical foundation for machine learning and is suitable for learners with some background in probability and statistics. For this course, learners will find this as a useful reference.
Beginner-friendly introduction to machine learning. It offers clear and concise explanations of the key concepts and techniques, making it a useful resource for learners who are new to the field.
Provides a comprehensive introduction to reinforcement learning and offers insights into the underlying principles and techniques. It valuable reference for learners interested in exploring this area further.

Share

Help others find this course page by sharing it with your friends and followers:

Similar courses

Here are nine courses similar to Modelos predictivos con aprendizaje automático.
Analítica financiera​
Most relevant
Modelos predictivos con Machine Learning
Most relevant
Aprendizaje automático (machine learning) y ciencia de...
Most relevant
Introducción a R para ciencia de datos
Most relevant
Aprendizaje Automático con Python
Most relevant
Smart Analytics, Machine Learning, and AI on GCP en...
Most relevant
Serverless Machine Learning con TensorFlow en GCP
Most relevant
Deep Learning: redes neuronales y aprendizaje profundo
Most relevant
Applying Machine Learning to Your Data with GC - Español
Most relevant
Our mission

OpenCourser helps millions of learners each year. People visit us to learn workspace skills, ace their exams, and nurture their curiosity.

Our extensive catalog contains over 50,000 courses and twice as many books. Browse by search, by topic, or even by career interests. We'll match you to the right resources quickly.

Find this site helpful? Tell a friend about us.

Affiliate disclosure

We're supported by our community of learners. When you purchase or subscribe to courses and programs or purchase books, we may earn a commission from our partners.

Your purchases help us maintain our catalog and keep our servers humming without ads.

Thank you for supporting OpenCourser.

© 2016 - 2024 OpenCourser