Saltar al contenido
En colaboración con
Formación online Hasta el 100% Bonificado

Microcredencial de Aprendizaje Supervisado en ML + 2 Créditos ECTS

Duración total 50 horas
Créditos 2 ECTS
Modalidad Online
Convocatoria Abierta
Descargar Dossier

Precio 59 €

Solicitar información

Resumen del curso

Descripción

Aprendizaje Supervisado en ML es tu puerta de entrada a un campo en constante expansión y de creciente demanda laboral. En un mundo donde los datos son el nuevo oro, saber cómo manejarlos y extraer valor de ellos es fundamental. Aprenderás desde los fundamentos del aprendizaje supervisado, pasando por la preparación de datos y el feature engineering, hasta modelos avanzados como las Máquinas de Vectores de Soporte y técnicas de ensamblado como Random Forest y Gradient Boosting. Adquirirás habilidades para evaluar y optimizar modelos, desde la regresión lineal hasta complejos sistemas de ensemble. Esta formación te brinda las herramientas necesarias para convertirte en un/a experto/a en la creación de soluciones inteligentes y efectivas, todo ello de manera flexible y online.

Objetivos

  • Comprender el contexto y aplicación del aprendizaje supervisado frente a otros paradigmas.
  • Diferenciar entre problemas de clasificación y regresión en aprendizaje supervisado.
  • Evaluar modelos de aprendizaje supervisado usando métricas clave y validación cruzada.
  • Aplicar técnicas de limpieza y codificación de datos para mejorar su calidad.
  • Implementar técnicas de selección y extracción de características relevantes.
  • Construir modelos básicos como regresión lineal y árboles de decisión efectivamente.
  • Optimizar modelos avanzados y de ensamblado mediante ajuste de hiperparámetros.

¿Para qué te prepara?

La formación Aprendizaje Supervisado en ML te prepara para abordar problemas complejos de clasificación y regresión mediante el uso de técnicas avanzadas y modelos de ensemble. Aprenderás a limpiar y preparar datos, seleccionando características relevantes y aplicando técnicas de reducción de dimensionalidad como PCA. Podrás implementar modelos desde regresión lineal hasta técnicas avanzadas como SVM y Random Forest, optimizando su rendimiento.

¿A quién va dirigido?

La formación Aprendizaje Supervisado en ML está dirigido a profesionales y titulados/as del sector tecnológico y científico que desean profundizar en los fundamentos del aprendizaje supervisado, incluyendo la preparación de datos y feature engineering, así como explorar modelos básicos y avanzados como SVM y Random Forest, todo con un enfoque práctico y accesible.

Salidas profesionales

Aprendizaje Supervisado en ML ofrece multitud de salidas laborales, entre las que se encuentran ingeniero/a de machine learning en empresas tecnológicas, analista de datos especializado/a en modelos predictivos, científico/a de datos para optimización de procesos industriales, o consultor/a en inteligencia artificial para el sector financiero.

Temario

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL APRENDIZAJE SUPERVISADO
  1. Definición del aprendizaje supervisado
  2. Diferencias con otros paradigmas: no supervisado y por refuerzo
  3. Tipos de problemas: clasificación vs regresión
  4. Pipeline típico de ML supervisado
  5. Evaluación de modelos: Métricas clave y validación cruzada
UNIDAD DIDÁCTICA 2. PREPARACIÓN DE DATOS Y FEATURE ENGINEERING
  1. Calidad de los datos: limpieza, manejo de valores faltantes y outliers
  2. Codificación de variables categóricas
  3. Escalado y normalización de características
  4. Selección y extracción de características relevantes
  5. Técnicas de reducción de dimensionalidad (PCA, LDA)
UNIDAD DIDÁCTICA 3. MODELOS BÁSICOS DE APRENDIZAJE SUPERVISADO
  1. Regresión lineal y sus variantes
  2. Clasificadores lineales: perceptrón y regresión logística
  3. Árboles de decisión: estructura, poda y criterios de partición
  4. Vecinos más cercanos (k-NN): simplicidad y limitaciones
  5. Métricas de evaluación específicas por tipo de modelo
UNIDAD DIDÁCTICA 4. MODELOS AVANZADOS Y ENSAMBLADO
  1. Máquinas de Vectores de Soporte (SVM): márgenes y kernels
  2. Bagging, Boosting y Stacking
  3. Random Forest y sus ventajas sobre árboles individuales
  4. Gradient Boosting Machines
  5. Ajuste de hiperparámetros y validación anidada

Descubre cuánto puede invertir tu empresa en formación sin coste

Como cliente o asociado de AFT, puedes solicitar información personalizada sobre tu crédito Fundae y la formación disponible para tu equipo.

Formulario de solicitud de información