MACHINE LEARNING
En la era de la digitalización y los datos masivos, las organizaciones necesitan ir más allá del análisis descriptivo para anticiparse a los cambios del mercado, automatizar decisiones y optimizar procesos en tiempo real. En este contexto, el Machine Learning se ha consolidado como una tecnología clave para transformar datos en predicciones útiles, permitiendo identificar patrones, clasificar comportamientos, segmentar clientes y generar recomendaciones personalizadas.
El aprendizaje automático ya no es exclusivo de las grandes empresas tecnológicas: hoy forma parte del núcleo operativo de sectores como la salud, las finanzas, el comercio, la industria manufacturera o la logística. Las empresas que dominan esta disciplina no solo mejoran su eficiencia, sino que también desarrollan nuevas capacidades para innovar y adaptarse a entornos cambiantes.
Este curso es esencial para cualquier profesional que aspire a liderar iniciativas de datos e inteligencia artificial, y busca proporcionar los conocimientos necesarios para aplicar los principales algoritmos de Machine Learning en problemas reales con un enfoque práctico y estratégico.
Solicitud de información
Virtual Live
5 Créditos ECTS
Descubre los módulos y conceptos clave
Cada uno de los módulos de este curso ha sido elaborado rigurosamente atendiendo a las necesidades actuales y futuras tanto de los profesionales como de las empresas.
¡Explora todas las materias que conforman este curso!
Regresión lineal y regresión logística
Fundamentos teóricos, casos de uso y aplicaciones predictivas en contextos empresariales.
Árboles de decisión
Construcción, poda, interpretación y visualización de reglas de decisión.
Máquinas de soporte vectorial (SVM)
Clasificación en espacios de alta dimensión y selección de kernels.
k-vecinos más cercanos (k-NN)
Algoritmo basado en distancia y su aplicabilidad en clasificación y recomendación.
Clustering
Técnicas de agrupamiento como k-means y jerárquico para la segmentación no supervisada de datos.
Evaluación de modelos
Métricas de desempeño para clasificación y regresión, validación cruzada, sobreajuste y técnicas de mejora.
Introducción a scikit-learn
Flujo de trabajo en Python para prototipado rápido, preprocesamiento y evaluación.
Conoce a nuestros profesores
Abrimos la educación a una experiencia global y la adaptamos al futuro profesional que viene. Fórmate en un espacio interactivo y colaborativo, en contacto directo con profesores y alumnos.
Descripción
Este curso proporciona una introducción práctica y aplicada a los fundamentos del aprendizaje automático (Machine Learning), centrado en algoritmos de aprendizaje supervisado y no supervisado. Los participantes aprenderán a construir modelos predictivos utilizando técnicas como regresión lineal y logística, árboles de decisión, máquinas de soporte vectorial (SVM), k-vecinos más cercanos (k-NN) y clustering.
El curso está orientado a resolver problemas empresariales a partir de datos estructurados, haciendo uso de la biblioteca scikit-learn, una de las herramientas más utilizadas para el desarrollo rápido de modelos en Python. A través de ejemplos prácticos y ejercicios guiados, los estudiantes adquirirán las competencias necesarias para seleccionar el modelo adecuado, entrenarlo, evaluarlo y mejorarlo.
Dirigido a analistas, científicos de datos, ingenieros, responsables de negocio y cualquier profesional con interés en aplicar técnicas predictivas y de clasificación en su entorno laboral.
Objetivos
- Aplicar modelos de regresión (lineal y logística) y clasificación en conjuntos de datos reales.
- Evaluar el rendimiento de modelos de Machine Learning mediante métricas apropiadas como precisión, recall, F1-score y matrices de confusión.
- Implementar técnicas de clustering para segmentación y análisis exploratorio sin supervisión.
- Utilizar la biblioteca scikit-learn para el desarrollo, entrenamiento y evaluación rápida de modelos predictivos.
