​Quedan 9 lugares para el curso
​
Machine Learning - CDMX - Noviembre

Síguenos en Facebook 

Estas interesado en aprender ​


¿Cómo programar algoritmos que

aprendan de los datos​

​automáticamente?​

Curso en la CDMX

Inicio y fin del curso
Sábado 9 de Noviembre 2019
​Sábado 14 de Diciembre 2019
Horarios
38 horas, 6 sesiones sabatinas de 8.30am a 2.50pm
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

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. Introducción
      
      1. ¿Qué es aprendizaje automático? ¿Por qué usar aprendizaje automático?
         
      2. Tipos de aprendizaje: Supervisado, No supervisado y Reforzamiento
         
      3. Tipos de problemas de aprendizaje: Regresión, clasificación, agrupamiento
         
   2. Herramientas y ambientes de trabajo
      
      1. Paquetes y bibliotecas para aprendizaje automático: Jupyter, Numpy, Pandas, Matplotlib, Scikit-Learn
         
      2. Ambientes virtuales: Anaconda, Colab
         
   3. Explorando conjuntos de datos
      
      1. Problemáticas del aprendizaje automático: Datos ruidosos durante el aprendizaje, Datos no representativos,
         
      2. Características irrelevantes
         
      3. Formas de implementación: Batch learning, Online learning, Instance based vs Model based
         
      4. Regresión lineal
         
      5. Objetivo del aprendizaje: Cómo tratar el Overfitting, Underfitting
         
      6. Regresión polinomial
         
      7. Balance entre varianza y sesgo
         
      8. Explorando un conjunto de datos: Archivos csv, visualización de rasgos
         
   4. Evaluar el desempeño de los modelos
      
      1. Pruebas y validación: Holdout, Leave One Out, K-fold Cross Validation
         
2. Proceso del aprendizaje automático
   
   1. Desarrollo de proyectos de aprendizaje automático
      
      1. Definición de las fases de un proyecto de aprendizaje automático
         
      2. Análisis del problema
         
      3. Delimitar el problema
         
      4. Escoger la medida de desempeño
         
      5. Conjunto de datos: Confeccionar un buen conjunto de datos, Visualización de datos para encontrar relaciones
         
      6. Limpieza de datos
         
      7. Seleccionar y entrenar modelos de aprendizaje
         
      8. Ajustar los parámetros del modelo
         
      9. Los tres principios del aprendizaje
         
   2. Clasificación
      
      1. Tipos de clasificación
         
      2. Clasificador lineal: Regla de aprendizaje del perceptrón simple y su evolución
         
      3. El descenso por gradiente
         
      4. Separabilidad de los datos: Lineal y no lineal
         
      5. Medidas de desempeño: Exactitud, Matriz de confusión, Precisión y Recall, Curva ROC, Análisis de errores
         
   3. Regresión
      
      1. Aplicando el desarrollo de proyectos de aprendizaje automático
         
      2. Análisis y delimitación del problema
         
      3. Elegir medidas de desempeño
         
      4. Obtención de datos
         
      5. Exploración y visualización de los datos
         
      6. Preprocesamiento de datos
         
      7. Entrenar diferentes modelos
         
      8. Afinar modelos
         
3. Modelos y métodos
   
   1. Curvas de aprendizaje
      
   2. Regularización: Early Stopping, DropOut, Lasso, Ridge, Elastic Net
      
   3. Algoritmos de Aprendizaje Automático
      
      1. Máquinas de soporte vectorial
         
      2. Árboles de decisión
         
      3. Regresión logística
         
      4. Naive Bayes
         
      5. Vecinos más cercanos
         
      6. Redes neuronales multicapa
         
      7. Modelos ensamblados: Votación, Bagging y Boosting
         
      8. Bosques aleatorios
         
   4. Teorema de “No Free Lunch” (todo tiene un costo)
      
   5. Aprendizaje no supervisado
      
      1. Agrupamiento, trabajando con datos no etiquetados
         
      2. Reducción de dimensionalidad y compresión de datos
         
4. 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.

Descarga 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.

Reserva tu lugar

Precio: ​5,500 pesos por persona 

Inscribete

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. 

Ejerce el descuento grupal

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

Datos para 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. ​​