Quedan 8 lugares para el curso
​
Machine Learning - CDMX - Septiembre

Síguenos en Facebook 

Estas interesado en aprender ​


¿Cómo programar algoritmos que

aprendan de los datos​

​automáticamente?​

Objetivo del curso

Aprender a usar los conceptos, las intuiciones y las herramientas para implementar programas capaces de aprender de los datos a través de varios ejemplos y casos de estudio. 

• ​Aprenderás a usar Scikit-Learn, Pandas, Python, Numpy, Matplotlib, Jupyter y Colab. 
• Resolver 40 ejercicios de programación en Python

Contenido del curso

1. Panorama general del aprendizaje automático
   1. ¿Qué es el aprendizaje de máquina? ¿Por qué usar aprendizaje de máquina?
   2. Tipos de aprendizaje: Supervisado, No supervisado y Reforzado
   3. Tipos de problemas de aprendizaje: clasificación, regresión, agrupamiento.
   4. Formas de implementación: Batch Learning, Online Learning y Instance Based vs Model Based.
   5. Pruebas y validación: Hold Out, Leave One Out, K-fold Cross Validation, Tipos de medidas de desempeño
   6. Problemáticas del aprendizaje de máquina: Datos ruidosos durante el aprendizaje, Datos no representativos, Características irrelevantes, Overfitting, Underfitting, Balance entre varianza y sesgo
2. Herramientas y Ambiente de Trabajo
   1. Ambientes virtuales: Anaconda
   2. Instalación de paquetes para aprendizaje de máquina: Jupyter, Numpy, Pandas, Matplotlib, Scikit-Learn, GitHub
3. Desarrollo de proyectos de aprendizaje automático
   1. Definición de las fases de un proyecto de aprendizaje máquina
   2. Análisis del problema
   3. Delimitar el problema
   4. Escoger la medida de desempeño
   5. Conjunto de datos: Confeccionando un buen conjunto de dato, Los tres principios, Visualización de datos para encontrar relaciones
   6. Limpieza de datos
   7. Seleccionar y entrenar los modelos de aprendizaje
   8. Ajustar los parámetros del modelo
4. Clasificación
   1. Tipos de clasificación
   2. Medidas de desempeño: Exactitud, Matriz de confusión, Precisión y Recall, Curva ROC, Análisis de errores
5. Regresión
   1. Regresión lineal
   2. Regresión polinomial
   3. Curva de aprendizaje
   4. Regularización: Ridge, Lasso, Elastic Net, Early Stopping y Regresión logística
6. Modelos y métodos
   1. Maquinas de soporte vectorial
   2. Árboles de decisión
   3. Regresión logística
   4. Naive Bayes
   5. Vecinos más cercanos
   6. Redes neuronales multicapa
   7. Teorema de "No Free Lunch" (todo tiene un costo)
   8. Modelos ensamblados: Votación, Bagging y Boosting
   9. Bosques aleatorios
7. Aprendizaje no supervisado
   1. Agrupamiento, trabajando con datos no etiquetados
   2. Reducción de dimensionalidad y compresión de datos
8. Proyecto final en equipos de 3 estudiantes

Requisitos

• Laptop (es recomendable que tenga puerto Ethernet y con procesador de 64bits). 
• Para el curso puedes usar Windows, Mac o Linux como tu gustes.
• Es indispensable estar motivado por aprender a usar algoritmos de aprendizaje automático.
• Asegurate de darnos tus datos de contacto al comprar (tu nombre completo, tu e-mail y tu numero telefónico). 

Conocimientos Previos

• Es necesario conocer las matemáticas de los primeros semestres de una carrera STEM (Science, Technology, Engineering and Mathematics)
• Es necesario saber programar en algún lenguaje.
• Saber Python es recomendable, pero no es indispensable. Se puede aprender en la marcha del curso. Te proporcionamos ejercicios de Python y sus soluciones para que aprendas antes de que inicie el curso. Descarga GRATIS los ejercicios de Python y pruébate a ti mismo. NO se requiere tarjeta de crédito o débito.

Quiero descargar los ejercicios

Reconocimiento

Al finalizar el curso, recibe un reconocimiento con valor curricular y holograma de autenticidad, parecido al que sigue:

Registro ante la Secretaría del Trabajo y Previsión Social: 
​ZAGE-810930-FW2-0005

Enfoque

En Actumlogos, creemos que toda teoría está supeditada a la práctica. Por eso, el énfasis de este curso está en resolver los ejercicios y entender su solución bajo la luz de la teoría necesaria. Entender conceptos, permite resolver problemas; y resolver problemas, permite mejorar el entendimiento de la teoría. 

​¿Para quién es este curso?

Para quienes estén interesados en programar algoritmos que aprendan a predecir o clasificar información con el fin de aprovechar la revolución tecnológica que estamos viviendo.

Cupo

Mínimo 18 personas, máximo 25 personas

Inversión

Reserva tus lugares y paga el resto una semana antes que inicie el curso.

Quiero reservar mi lugar

Precio: ​5,500 pesos por persona 

Quiero pagar mi lugar

Inscríbete con más amigos. Al comprar 2 o más lugares en el curso:

• Si es profesionista, el precio por persona es de 4,750 pesos. 
• Si es estudiante, el precio por persona es de 3,750 pesos. 

Valido para grupos de estudiantes, de profesionistas o mezclados. 

Quiero el descuento grupal

Opciones de Pago: transferencia/deposito bancario, tarjeta de crédito/débito,  Paypal, Stripe.

Quiero reservar/pagar por transferencia

Preguntas Frecuentes

¿Que sistema operativo debo usar durante el curso? ​

Puedes usar cualquier sistema operativo: Windows, Linux o Mac IOS. Durante el curso usarás  Colab un servicio GRATUITO de Google sin instalar nada en tu computadora desde cualquier sistema operativo. Además, te enseñaremos cómo instalar el ambiente de trabajo en tu computadora para puedas liberarte de las restricciones de Colab. 

​​¿PUEDEN FACTURAR?

Sí, claro que sí, pero tendremos que añadir el IVA correspondiente. ​​

Curso en la CDMX

Inicio y fin del curso
Sábado 21 de Septiembre 2019
​Sábado 26 de Octubre 2019
Horarios
38 horas, 6 sesiones sabatinas de 8.30am a 14.50pm
Lugar
​CompuEducación, Avenida Jaime Balmes 11, Edificio B, Piso 7, Polanco, 11510 Ciudad de México, CDMX
Ver googlemaps
Instructor
M. en C. Daniel Vanegas, ver su reseña aquí