ML_PYT_ADV | Machine Learning con Python
 
El curso contiene una formación sólida en Python aplicado a Data Science y Machine Learning, desde los fundamentos hasta técnicas avanzadas de Deep Learning. A lo largo de los módulos, los participantes aprenderán a trabajar con bibliotecas clave como Pandas, NumPy, Scikit-learn, TensorFlow y Keras; realizarán preprocesamiento y análisis exploratorio de datos; desarrollarán modelos supervisados y no supervisados; y adquirirán habilidades para desplegar soluciones en entornos reales. Además, se profundizará en arquitecturas de redes neuronales modernas, con aplicaciones en visión por computadora y procesamiento de lenguaje natural.
 
Objetivos del curso
Aplicar técnicas de preprocesamiento, modelado, evaluación y despliegue de modelos de aprendizaje automático.
Introducir al participante en el uso de redes neuronales profundas con TensorFlow y Keras.
Comprender el ciclo completo de un proyecto de machine learning desde la manipulación de datos hasta el despliegue.

Perfil de audiencia
Dirigido a profesionales de la ciencia de datos, la estadística, la informática o áreas afines, que deseen desarrollar o fortalecer sus habilidades en programación en Python y técnicas de Machine Learning y Deep Learning para aplicarlas en problemas del mundo real.

Prerrequisitos
Para completar satisfactoriamente el curso, el participante deberá conocer lo siguiente:
Fundamentos de programación (estructuras de control, funciones, listas, diccionarios).
Álgebra lineal básica y estadística descriptiva.
Familiaridad con entornos de desarrollo como Visual Studio Code o Google Colab.
Nociones básicas de manejo de datos (archivos CSV, estructuras tabulares).

Versión de la tecnología
3

Esquema del curso
Capítulo 1: Fundamentos de Python para Data Science y Machine Learning 
Objetivos
1.1 Introducción al entorno de trabajo (Google Colab, Jupyter Notebook, Visual Studio Code)
1.2 Repaso de estructuras necesarias en Python para ML
1.3 Pandas y NumPy 
1.4 Visualización con matplotlib y seaborn
1.5 Introducción a Machine Learning: tipos y ciclo de vida de un modelo
Resumen
Práctica
Referencias bibliográficas
Capítulo 2: Preprocesamiento y Análisis Exploratorio de Datos
Objetivos
2.1 Limpieza de datos: nulos, outliers, imputaciones
2.2 Transformación: escalado, codificación categórica
2.3 Feature engineering básico
2.4 Análisis exploratorio con visualizaciones
2.5 Separación train/test y validación cruzada
Resumen
Práctica
Referencias bibliográficas
Capítulo 3: Aprendizaje Supervisado
Objetivos
3.1 Scikit-learn: machine learning en Python
3.2 Línea de trabajo para construir un proyecto de aprendizaje supervisado
3.3 Regresión lineal y regresión logística
3.4 Árboles de decisión, k-NN, SVM (teórico y práctico)
3.5 Métricas: accuracy, recall, F1, R², MAE, MSE
3.6 Validación y detección de overfitting
3.7 Interpretación básica de modelos
Resumen
Práctica
Referencias bibliográficas
Capítulo 4: Técnicas Avanzadas de ML y Aprendizaje No Supervisado
Objetivos
4.1 Introducción al Aprendizaje No Supervisado
4.2 Preprocesamiento Avanzado para Datos en Aprendizaje No Supervisado
4.3 Algoritmos de Clustering: Fundamentos y Aplicaciones
4.4 Técnicas Avanzadas de Reducción de Dimensionalidad
4.5 Detección de Anomalías
4.6 Evaluación y Validación de Modelos No Supervisados
Resumen
Práctica
Referencias bibliográficas
Capítulo 5: Despliegue de Modelos de Machine Learning
Objetivos
5.1 Persistencia de modelos con Pickle y Joblib
5.2 Creación de APIs para modelos con Flask o FastAPI
5.3 Despliegue con Streamlit o Gradio
5.4 Publicación en plataformas
5.5 Consideraciones de mantenimiento y actualización de modelos
5.6 MLOps y buenas prácticas finales
Resumen
Práctica
Referencias bibliográficas
Capítulo 6: Fundamentos del Deep Learning
Objetivos
6.1 Fundamentos de Deep Learning: Usos y Aplicaciones Prácticas
6.2 Introducción a Frameworks Clave: TensorFlow y Keras
6.3 Principios de Redes Neuronales: Neurona Artificial, Funciones de Activación y Costo
6.4 Backpropagation y optimización de parámetros en redes neuronales
Resumen
Práctica
Referencias bibliográficas
Capítulo 7: Construcción y uso de Arquitecturas Avanzadas de Redes Neuronales
Objetivos
7.1 Diseño y configuración de redes neuronales
7.2 Metodologías de entrenamiento y validación
7.3 Fundamentos de Redes Neuronales Convolucionales (CNN)
7.4 Operaciones de convolución en visión por computadora
7.5 Aplicaciones prácticas de CNN en análisis de imágenes
7.6 Introducción a Redes Neuronales Recurrentes (RNN)
7.7 Aplicaciones de RNN en procesamiento de lenguaje natural
7.8 Modelos secuenciales: Generación de texto y traducción automática
Resumen
Práctica
Referencias bibliográficas
 
Descargue el temario para conocer el detalle completo de los contenidos.
 
Debido a las constantes actualizaciones de los contenidos de los cursos por parte del fabricante, el contenido de este temario puede variar con respecto al publicado en el sitio oficial, sin embargo, Netec siempre entregará la versión actualizada de éste.