Sorry, this page is no longer available
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

Traffic lights

Read about what's good
what should give you pause
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

Create your own learning path. Save this course to your list so you can find it easily later.
Save

Reviews summary

Fundamentos prácticos de aprendizaje automático

Según los estudiantes, "Modelos predictivos con aprendizaje automático" es un curso excelente para principiantes en el campo del Machine Learning. Los conceptos se explican de forma muy didáctica y clara, permitiendo una asimilación gradual del conocimiento. La principal fortaleza reside en sus ejemplos prácticos y el uso de Python con scikit-learn, incluyendo proyectos finales desafiantes que consolidan el aprendizaje. Los laboratorios con Jupyter Notebook son cruciales. Sin embargo, algunos learners con experiencia previa en programación o estadística pueden encontrarlo demasiado introductorio o superficial en ciertos temas. La instalación del entorno inicial puede ser un punto de fricción para algunos.
Las explicaciones del instructor y la metodología son excelentes.
"El instructor explica de manera muy didáctica y los ejemplos son muy aplicables."
"Excelente material, muy bien explicado. Se nota el esfuerzo en la pedagogía."
"Las explicaciones son claras y concisas. Realmente te prepara bien."
Destaca por sus ejercicios y proyectos con Scikit-learn.
"Los ejemplos prácticos con scikit-learn son muy claros y útiles."
"Los proyectos finales de cada módulo son desafiantes y consolidan lo aprendido."
"Los laboratorios con Jupyter Notebook son fundamentales para practicar."
Ofrece una base sólida y comprensible en Machine Learning.
"Excelente curso para entender los fundamentos del aprendizaje automático."
"Un curso sólido para principiantes. Me dio una base muy fuerte en ML."
"Desde cero he podido entender temas complejos de Machine Learning."
Algunos temas son tratados de forma muy concisa.
"La parte de ética del aprendizaje automático es demasiado corta y se siente como un anexo."
"Me hubiera gustado ver más allá de la regresión lineal y árboles de decisión, quizás algo de ensambles."
La instalación inicial de Anaconda/Jupyter puede ser un desafío.
"La instalación de Anaconda puede ser complicada para novatos si no se siguen bien las instrucciones."
"La instalación del entorno al inicio es un punto de fricción para algunos, pero con paciencia se logra."
"Recomiendo tener paciencia con la configuración inicial de las herramientas requeridas."
Puede ser básico para estudiantes con conocimientos previos.
"Siento que el curso es demasiado superficial. Esperaba más detalle en la implementación."
"Si ya tienes algo de experiencia en programación o matemáticas, puede que te resulte muy básico."
"Me faltó más profundidad en la parte teórica. Es para muy principiantes."

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:
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.
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 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.
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.
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.
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.
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.
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.
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.
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.
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.
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.

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

Similar courses are unavailable at this time. Please try again later.
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 - 2025 OpenCourser