No te pierdas Diseño y Desarrollo Web 2.0

Data Science y Machine Learning

[ 9 meses ]

Disponible en modalidad: Streaming
¡No te pierdas el CiberBios!

Introducción

Data Science y Machine Learning te brinda las bases para trabajar con datos y desarrollar modelos de aprendizaje automático. Aprenderás a programar con Python, preparar y analizar información, entrenar modelos predictivos y evaluar sus resultados para resolver problemas concretos.

Objetivos

Aprende a utilizar Python y herramientas de ciencia de datos para preparar y analizar información, entrenar y evaluar modelos de Machine Learning y desarrollar proyectos orientados a realizar predicciones.

Temario

Fundamentos de Programación con Python:

Fundamentos de Python: variables, estructuras, funciones y módulos / Entornos virtuales, notebooks / Consumo de APIs y buenas prácticas de programación aplicada a IA.

Matemática y Estadística Aplicada a la IA

Vectores, matrices y operaciones fundamentales / Media, varianza, desviación, probabilidad y distribuciones / Correlación, funciones, derivadas y gradiente a nivel aplicado / Interpretación matemática de algoritmos y métricas.

ver más...

Próximo Inicio

15/04


Ver todos los inicios

Solicitá aquí la ficha informativa

Precios / Horarios

Locales

Esta propuesta se dicta en:
bios

Temario


Fundamentos de Programación con Python:

- Fundamentos de Python: variables, estructuras, funciones y módulos.
- Entornos virtuales, notebooks.
- Consumo de APIs y buenas prácticas de programación aplicada a IA.

Matemática y Estadística Aplicada a la IA

- Vectores, matrices y operaciones fundamentales.
- Media, varianza, desviación, probabilidad y distribuciones.
- Correlación, funciones, derivadas y gradiente a nivel aplicado.
- Interpretación matemática de algoritmos y métricas.

Datos para Inteligencia Artificial

- NumPy, Pandas y SQL.
- Limpieza, transformación, calidad y preparación de datos.
- Visualización y comunicación de resultados.
- Feature engineering e introducción a bases de datos.

Machine Learning:

- Regresión, clasificación, árboles y métodos ensemble.
- Aprendizaje no supervisado: clustering y reducción dimensional.
- Entrenamiento, validación, métricas, overfitting y selección de modelos.
- Implementación de soluciones con Scikit-learn.

Implementación de Proyectos de Machine Learning:

- Definición del problema y preparación del conjunto de datos.
- Entrenamiento y comparación de modelos.
- Evaluación, documentación y presentación de resultados.

Otros inicios de Data Science y Machine Learning



Diseño y Comunicación - 15/04/2027

Plantel Docente