Diplomado en Machine Learning
Gracias a este Diplomado en Machine Learning abordarás los fundamentos, técnicas y aplicaciones más relevantes en este campo en constante evolución. Desde la introducción al Machine Learning y sus algoritmos más usados hasta el Deep Learning y las redes neuronales, los alumnos por tanto adquirirán los conocimientos necesarios para comprender y aplicar estas tecnologías en diversos contextos. Además, se exploran temas como la extracción de estructuras de datos, sistemas de recomendación y clasificación, así como el uso de herramientas populares como Python, Keras y TensorFlow. Con este curso, los estudiantes estarán preparados para aprovechar las oportunidades laborales en el sector del Machine Learning.
Además, contarás con un equipo de profesionales especializados en la materia.
Duración
3 meses
A quién va dirigido
Este Diplomado en Machine Learning está dirigido a profesionales de TI, científicos de datos, desarrolladores de software, y cualquier persona interesada en adquirir conocimientos sólidos en el campo del Machine Learning. No se requieren conocimientos previos en programación o estadística, ya que el curso proporciona una introducción completa a los conceptos fundamentales.
Aprenderás a
Este Diplomado en Machine Learning te prepara para convertirte en un profesional competente en el campo de Machine Learning. Aprenderás los fundamentos teóricos y prácticos necesarios para comprender y aplicar algoritmos de aprendizaje automático en una variedad de aplicaciones. Adquirirás habilidades para realizar tareas como la clasificación de datos, la extracción de estructura mediante clustering, entre otras materias.
Campo Laboral
Las salidas profesionales de este Diplomado en Machine Learning, te permitirán entrar al sector del Machine Learning y podrán buscar oportunidades laborales como científicos de datos, ingenieros de aprendizaje automático, desarrolladores de software especializados en inteligencia artificial, analistas de datos y consultores en empresas de tecnología.
Plan de estudios
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
- Machine Learning
- Clasificación de algoritmos de aprendizaje automático
- Ejemplos de aprendizaje automático
- Diferencias entre el aprendizaje automático y el aprendizaje profundo
- Tipos de algoritmos de aprendizaje automático
- El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
- Introducción
- Algoritmos
UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN
- Introducción
- Filtrado colaborativo
- Clusterización
- Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN
- Clasificadores
- Algoritmos
UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING
- Componentes
- Aprendizaje
UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN
- Introducción
- El proceso de paso de DSS a IDSS
- Casos de aplicación
UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
- Aprendizaje profundo
- Entorno de Deep Learning con Python
- Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES
- Redes neuronales
- Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 9. ESTRATEGIAS DE APRENDIZAJE
- Entrada y salida de datos
- Entrenar una red neuronal
- Gráficos computacionales
- Implementación de una red profunda
- El algoritmo de propagación directa
- Redes neuronales profundas multicapa
También te puede interesar