Machine learning en acción: aprendizaje supervisado y no supervisado

El machine learning (ML, aprendizaje automatizado) ha revolucionado la forma como interactuamos con los datos y tomamos decisiones. Este curso introductorio cubre los conceptos fundamentales del ML, diferenciando entre los modelos supervisados y no supervisados. Inicialmente, aprenderás los conceptos fundamentales del machine learning : tipos de problemas de aprendizaje automático, conjunto de entrenamiento, conjunto de prueba, parámetros e hiperparámetros, evaluación de modelos de clasificación y regresión, validación cruzada, búsqueda en grilla, entre otros. Explorarás técnicas clave de clasificación como knn, regresión logística y árboles de decisión. Además, conocerás algunos modelos de regresión y dos modelos de clustering : k-means y DBSCAN. Cada una de estas técnicas se abordará desde el punto de vista conceptual, para entender su funcionamiento, y luego se hará la implementación computacional mediante la solución de situaciones reales que requieren la aplicación de estos modelos. Utilizarás Python y bibliotecas populares como Pandas y Scikit-learn para entrenar y evaluar modelos de aprendizaje automático. El curso está diseñado con un enfoque práctico, guiándote desde la teoría hasta la implementación con datos reales. Al finalizar, serás capaz de utilizar modelos predictivos y tomar decisiones basadas en datos con mayor confianza. 3b:T10d5,{"@context":"https://sche

• Comprender los fundamentos del machine learning y su impacto en diversas industrias.
• Diferenciar entre aprendizaje supervisado y no supervisado.
• Implementar modelos de regresión y clasificación en Python.
• Explorar técnicas de clustering para segmentación.
• Utilizar Scikit-learn para entrenar y validar modelos de ML.
• Evaluar el rendimiento de los modelos y evitar el sobreajuste.
• Aplicar machine learning en problemas reales.

• Conocimientos básicos de programación en Python y estadística.