Diplomatura en Machine Learning con Python

Modalidad: 100% Online
CERTIFICACIÓN UNIVERSITARIA UTN
VACANTES DISPONIBLES INICIO 11/07/2022

✅ Abonalo en 3 y 6 cuotas sin interés.
✅ Obtené un descuentos abonando con transferencia bancaria.

Certificación

UTN FRRq

Material

Descargable

Profesor

Online

Clases

en vivo

Ejercicios

prácticos

Programa Analítico:

Unidad 1: Regresiones

  • Regresión Lineal.
  • Regresión polinómica.
  • Regresión exponencial y logarítmica.
  • Regresión de dos variables.
  • Ejemplos de regresiones con sklearn.linear_model
  • Regresiones logística.
  • Ejemplos de clasificación con regresión logística con sklearn.linear_model

Unidad 2: Arboles de decisión

  • Algoritmo básico en Excel
  • División en entrenamiento y prueba
  • Uso de sklearn.tree
  • Predicción y valoración de la solución
  • Aplicación al dataset Titanic
  • Aplicación al problema del call center

Unidad 3: «Clusters»

  • Algoritmo básico en Excel.
  • Uso de kmeans.
  • Ejemplo de aplicación real de sklearn.cluster
  • Otros algoritmos de agrupamiento en scipy.cluster
  • Ejercicio de aplicación de agrupamiento de mascotas.

Unidad 4: Reglas de Asociación

  • Algoritmo básico en Access.
  • División en entrenamiento y prueba.
  • Uso de apriori en Python.
  • Ejemplo de una aplicación real votación de reglas.
  • Ejemplo de una aplicación real a datos de ventas en supermercados.

Unidad 5: Redes Neuronales

  • Algoritmo básico en Excel.
  • División en entrenamiento y prueba.
  • Instalación y uso del paquete.
  • Ejemplo en Python.
  • Principales parámetros de ajuste y control.
  • Problema concreto.

Unidad 6: Algoritmos genéticos

  • Algoritmo básico en Excel.
  • Discusión del tipo de problemas en los que se aplica.
  • Discusión de otros mecanismos de optimización.
  • Implementación en R del método enjambre de partículas.

Unidad 7: Series temporales

  • Taxonomía.
  • Separación de componentes.
  • Predicciones.
  • Implementación con statsmodel.
  • Predicción en series con un único período.

Unidad 8: Método de Simulación de Montecarlo

  • Algoritmo básico en Excel.
  • Discusión de la utilidad del método.
  • Comparación con el análisis de escenarios.
  • Ejemplo de una aplicación real.
  • Ejemplo simple implementado en Python.

Unidad 9: Minería de textos

  • Clasificación supervisada de piezas de texto.
  • Construcción de una red semántica.
  • Ejemplos de aplicación real del algoritmo de clasificación.
  • Aplicación a la detección de sentimientos.

Unidad 10: Bayes Ingenuo

  • Implementación en Excel.
  • Ejemplo de aplicación en Python.
  • Comparación de 4 algoritmos predictivos. (Bayes ingenuo, árboles, redes neuronales y regression logística)

Unidad 11: Random Forest

  • Descripción conceptual del método.
  • Paquete sklearn.ensemble.
  • RandomForestClassifier
  • RandomForestRegressor
  • Ejemplo de aplicación.
  • Comparación con otras técnicas.

Unidad 12: Métodos Bayesianos

  • Descripción conceptual del método:
  • Regresión lineal bayesiana: pymc3
  • Red bayesiana: pgmpy

Unidad 13: Máquina de soporte vectorial

  • Descripción conceptual del método
  • Paquete sklearn.svm
  • Ejemplo de aplicación
  • Comparación con otras técnicas

 

Modalidad de cursada

    • Modalidad a distancia de forma Online.
    • Clases por videoconferencias interactivas, una teórica y una práctica. La duración de cada clase es de aproximadamente una hora.
    • El alumno deberá realizar cierta actividad complementaria con material de soporte de las clases, trabajos con enfoque práctico y proyectos reales orientados a la Ciencia de Datos.

Fechas y horarios

Diplomatura en machine learning con PythonDíaHora
Introducción a la Ciencia de Datos 1 de 211/7/202219 hs
Introducción a la Ciencia de Datos 2 de 214/7/202219 hs
Iniciación en Python 1 de 413/7/202219 hs
Iniciación en Python 2 de 415/7/202219 hs
Iniciación en Python 3 de 420/7/202219 hs
Iniciación en Python 4 de 422/7/202219 hs
Horarios fijos a partir de la tercer semana de cursada
Clases regulares:Viernes20:15 hs

Enviando el siguiente formulario recibirás toda la información para poder inscribirte e iniciar tu cursado.

MODALIDAD DE ESTUDIO PARA ESTE CURSO

✅ Clases en vivo – 100% Online.
✅ Los cursos inician cada 15 días.
✅ Duración de 12 a 25 semanas, dependiendo el curso seleccionado.
✅ Campus virtual con material descargable.
✅ Las clases quedan grabadas si no llegas a tiempo.
✅ Trabajos prácticos sobre proyectos reales, para aprender haciendo.
✅ Examen final.
✅ Entrega de Certificado Oficial de la UTN FRRQ Resolución Nro 290/20, firmada por Decadno de la Facultad y Código QR de autenticidad.

Inscripción a cursos de Ciencia de Datos

Luego de completado el formulario nos pondremos en contacto con usted para finalizar la inscripción.

Formas de pago:

Cursos y Diplomaturas
6 cuotas sin interés con tarjetas de crédito.

10% de descuento con transferencia bancaria.


Cursos de Data Science y Trading
6 cuotas sin interés con tarjetas de crédito.

Completá el formulario para confirmar tu depósito o transferencia

Luego de enviado el comprobante nos pondremos en contacto contigo durante las próximas horas .