INICIO

04 FEB
/20

Curso Virtual en
Machine Learning con
El curso de “Machine Learning con Python” se centra en un subcampo
específico de aprendizaje automático llamado modelado predictivo.
Este es el campo del aprendizaje automático que es el más útil en la
industria y el cual se utilizar la librería de aprendizaje automático scikit-learn
en Python por su gran rendimiento y facilidad en su uso.  
A diferencia de las estadísticas, donde los modelos se usan para comprender
los datos, el modelado predictivo se enfoca en el desarrollo de modelos que
hacen las predicciones más precisas a expensas de explicar por qué se hacen
las predicciones.
 
A diferencia del campo más amplio del aprendizaje automático que podría
utilizarse con datos en cualquier formato, el modelado predictivo se centra
principalmente en datos tabulares (por ejemplo, tablas de números como en
una hoja de cálculo).

DIRIGIDO A
Toda la comunidad universitaria, público académico y
profesionales de todas las especialidades interesados en el
área.

OBJETIVOS
1. Aplicar técnicas de análisis y visualización de datos en un conjunto
de datos complejo para problemas de machine learning.
2. Aplicar técnicas de tratamiento de datos en un conjunto de datos
para mejorar la robustez y métrica de salida de los diferentes
algoritmos de machine learning.
3. Comprender los diferentes mecanismos y técnicas para aplicar
analítica predictiva en problemas de machine learning e
interpretar la salida obtenida por los modelos de predicción.
4. Comprender y analizar la fase del análisis de datos previos al
modelado algorítmico en machine learning.
5. Realizar modelos algorítmicos robustos con una optimización de
sus hiperparámetros para la fase de predicción
6. Desarrollar y analizar proyectos de machine learning como
regresión, clasificación y multiclase.
7. Utilizar librerías específicas de Python como scikit-learn para
trabajos de Machine Learning.
DOCENTE 1
MANUEL CASTILLO
Ph.D. en Ingeniería Informática por la Universidad de Castilla-La
Mancha (España) y calificado como investigador Regina
(CONCYTEC) en Perú con Registro N°15985.

(1) La Universidad se reserva el derecho de cambiar algún docente por contingencias inesperadas.

EVALUACIÓN
La evaluación del aprendizaje será un proceso continuo donde los estudiantes
tienen la oportunidad de ir trabajando con el lenguaje de programación
Python practicando lo expuesto en la parte de teoría.
 
Se tomará en cuenta una evaluación desde el módulo 3 al módulo 6 y en la
que cada unidad tendrá dos notas:
Teoría: Tiene un ponderación del 30% de la nota final (el total de todas la
unidades). Consistirá en examen tipo test online de los conceptos teóricos.
Taller: Tiene una ponderación del 20% de la nota final (el total de todas la
unidades). Se pondrán a prueba los conceptos  teóricos explicados en los
videotutoriales de manera que el alumno trabajará  un proyecto de cada
unidad.
Así mismo se realizará un:
Proyecto: Tiene una ponderación del 50% de la nota  final. Se realizará un
proyecto final del curso el cual deberá poner a prueba todos los contenidos
vistos en los diferentes módulos.
Para aprobar el curso se deberá obtener una calificación aprobatoria
producto de la participación en las actividades virtuales y presenciales, y en
cada uno de los resultados establecidos en el curso.
ESCALA DE NOTAS
Calificativos y equivalencias en términos literales:

Nota Nota Literal

17.00 – 20.00 A

15.00 – 16.99 B

13.00 – 14.99 C

11.00 – 12.99 D
< de11.00 E (desaprobado)
PLAN DE ESTUDIOS
MÓDULO NOMBRE DE MÓDULO TEMAS

Conceptos básicos de machine learning.

1 Introducción Jupyter Notebook como nuestro entorno de
machine learning.
Conclusiones.

Primeros pasos con Python.

2 Programación con el Lenguaje de programación Python.
lenguaje Python Conjunto de datos Estándar.

Cargar un conjunto de datos.

Estadística descriptiva.
Visualización de datos.
Análisis Taller: Trabajo de aplicación de diferentes
3 de datos técnicas analíticas de datos en un conjunto
de datos seleccionado por el usuario e
interpretar la salida obtenida.
Examen tipo test sobre los contenidos del
módulo.

Preprocesamiento de datos para machine

learning
Métodos de remuestreo para estimar la
precisión del modelo.
4 Evaluación de las métricas.
Tratamiento de datos Taller: Aplicación de diferentes técnicas de
tratamiento de datos en un conjunto de datos
y verificación de su impacto en las métricas
algorítmicas.
Examen tipo test sobre los contenidos del
módulo.

Feature Selection en machine learning

Algoritmos de Machine Learning.
Rendimiento de los algoritmos
Taller: Aplicación de diferentes algoritmos de
machine learning en un conjunto de datos e
5 Fase de modelado interpretar la salida obtenida, así mismo,
verificar el algoritmo que tenga mejor
comportamiento.
Examen tipo test sobre los contenidos del
módulo.

Configuración de hiperparámetros
Combinar predicciones desde múltiples
algoritmos
Guardado e integración del modelo
6 Fase de optimización y Taller: Una vez seleccionados los
forecasting algoritmos candidatos a modelo realizar una
optimización de estos a través de la
configuración de sus hiperparámetros.
Examen tipo test sobre los contenidos del
módulo.
Trabajar un proyecto de clasificación multiclase
Trabajar un proyecto de regresión.
Proyectos de machine Trabajar un proyecto de clasificación binaria.
7 Proyecto: Realizar un proyecto completo
learning
analizando todas las fases estudiadas en los
diferentes módulos.
PRE REQUISITOS
Conocimientos básicos/intermedios de programación.
Conocimientos básicos de estadística inferencia y cálculo de probabilidades.
Se recomienda conocimientos básicos de machine learning.

REQUISITOS DE INSCRIPCIÓN*
A efectos de participar en el  curso   de  especialización  los  postulantes  deberán
cumplir  con  los siguientes requisitos que serán enviados al e-mail
[Link]@[Link]

1. Llenar Ficha de Inscripción (Solicitar envío por e-mail)

2. Copia escaneada del DNI o carné de extranjería (legible, ambas caras)
3. Boleta o voucher de pago
III
NOTA:  Para    ser  considerado    alumno    matriculado    es    indispensable    la  presentación  de  todos los
documentos mencionados antes del inicio de clases.

INFORMACIÓN GENERAL

Inicio de clases: Duración:

04 de febrero 06 sesiones
2020

Horarios:
Inversión:
Semanalmente
videoconferencias
S/ 450.00*

DESCUENTOS*

% 15% 15%
Descuento a

10%
Descuento
.......

.......

Descuento
.......

egresados y por pronto

corporativo
alumnos UNI pago

Inscripción de 3 participantes Aplica sobre el precio regular

(como mínimo), recibirán el para los inscritos hasta el 31
15% de descuento sobre el de diciembre de 2019.
precio regular.
MODALIDADES DE PAGO
1. Banco
Indicar el Código Autogenerado del servicio 667 y Concepto: CURSOS
CAPACITACION-OTROS

2. Caja UNI*
Pago con tarjeta de débito o crédito
(previamente deberá solicitar la orden de pago en la Oficina de Capacitación
del CTIC-UNI).
Horario de atención de CAJA UNI:
Lunes a viernes de 8:00 a 15:30 hrs.
Pabellón Central UNI, ingresar por la puerta N° 3

INFORMES E
INSCRIPCIONES
Oficina CTIC Online
(01) 4811070 anexo 7037

[Link]@[Link] | cticonline@[Link]

Atención: Lun. a Vie. de 9:00a.m. a 4:30p.m.

[Link]
___

Síguenos en: