Profesionales de sectores tradicionales, que necesitan adaptarse al nuevo entorno tecnológico. Mandos medios con toma de decisiones, que desean comprender el potencial del Machine Learning en sus organizaciones. ¿ Profesionales que buscan ampliar sus conocimientos técnicos y conceptuales en análisis de datos e inteligencia artificial. Emprendedores, que necesitan comprender estas tecnologías para incorporarlas a sus modelos de negocio. Recién graduados que buscan complementar su formación con habilidades prácticas en una de las áreas más demandadas del mercado.

Este programa está diseñado para profesionales que buscan desarrollar competencias en aprendizaje automático en un mercado laboral cada vez más orientado hacia los datos, ayudándoles a comprender cómo estas tecnologías pueden transformar sus roles y organizaciones. Mediante la introducción al Machine Learning y su implementación con Python, los participantes adquirirán las habilidades necesarias para desarrollar modelos predictivos, identificar patrones en datos y aplicar algoritmos de forma estratégica en sus campos profesionales. A lo largo de cuatro módulos, el programa abarca los fundamentos del aprendizaje automático, técnicas de preparación de datos, implementación de algoritmos supervisados y no supervisados, y metodologías de evaluación de modelos. El enfoque práctico, centrado en Python y sus bibliotecas especializadas, permitirá a los participantes desarrollar proyectos completos de machine learning que contribuyan a la innovación y mejora en la toma de decisiones organizacionales.

Diseñado y organizado por la Facultad de Ingeniería.

8 encuentros virtuales | Miércoles de 19 a 21 hs. y Sábados de 9 a 12 hs. | 6, 9, 13, 20, 27 y 30 de agosto | 3 y 10 de septiembre

25 horas totales. (18 horas de dictado + 7 horas de trabajos prácticos)

Objetivo General: proporcionar a los participantes una comprensión teórica y práctica del Machine Learning, permitiéndoles desarrollar modelos predictivos, identificar patrones en datos y aplicar algoritmos en distintos contextos organizacionales. Se busca que los participantes adquieran habilidades en el uso de herramientas de Python para la implementación efectiva de modelos de aprendizaje automático.

Objetivos particulares: Comprender los fundamentos del aprendizaje automático, diferenciando sus tipos y aplicaciones en diversos sectores industriales. Desarrollar habilidades prácticas en la recopilación, exploración y preparación de datos, utilizando herramientas de análisis en Python. Implementar algoritmos de aprendizaje supervisado para resolver problemas de clasificación y regresión con bibliotecas especializadas de Python. Aplicar técnicas de aprendizaje no supervisado, como clustering y reducción de dimensionalidad, para descubrir patrones en datos complejos. Evaluar el rendimiento de modelos de Machine Learning utilizando métricas apropiadas y estrategias de optimización. Fomentar el uso de metodologías y buenas prácticas en la implementación de proyectos de Machine Learning, asegurando la reproducibilidad y documentación adecuada. Reflexionar sobre consideraciones éticas en el uso del aprendizaje automático, incluyendo sesgos en modelos y privacidad de los datos. Aplicar los conocimientos adquiridos en un proyecto final, desarrollando un modelo de Machine Learning aplicado a un caso real.

MÓDULO 1: Fundamentos del Aprendizaje Automático 1.Introducción al Machine Learning 1.1.Conceptos básicos y terminología 1.2.Historia y evolución del aprendizaje automático 1.3.Diferencias entre IA, Machine Learning y Deep Learning 1.4.Panorama actual y tendencias futuras 2.Tipos de aprendizaje automático 2.1.Aprendizaje supervisado: principios y casos de uso 2.2.Aprendizaje no supervisado: descubrimiento de patrones 2.3.Aprendizaje por refuerzo: fundamentos e implementaciones 2.4.Aprendizaje profundo: arquitecturas y aplicaciones 3.Aplicaciones del Machine Learning 3.1.Casos de uso en diferentes industrias 3.2.Sistemas de recomendación y personalización 3.3.Procesamiento de lenguaje natural y visión por computadora 3.4.Detección de anomalías y predicción de eventos 4.Metodología de proyectos de Machine Learning 4.1.Ciclo de vida de un proyecto de ML 4.2.Diseño de experimentos 4.3.Documentación y reproducibilidad 4.4.Consideraciones éticas en ML 4.5.Python como lenguaje para ML: entorno de desarrollo, Jupyter notebooks y Google Colab

MÓDULO 2: Recopilación y Preparación de Datos 1.Fuentes y recopilación de datos 1.1.Tipos de fuentes de datos (estructurados, no estructurados) 1.2.Bases de datos públicas y privadas 1.3.Consideraciones para la selección de datasets 2.Exploración y análisis de datos 2.1.Análisis exploratorio de datos (EDA) con Pandas 2.2.Estadística descriptiva y visualización con Matplotlib y Seaborn 2.3.Identificación de patrones y anomalías 2.4.Herramientas Python para exploración de datos 3.Técnicas de preprocesamiento con Python 3.1.Limpieza de datos: valores faltantes y outliers con Pandas 3.2.Transformación y escalado de variables con Scikit-learn 3.3.Codificación de variables categóricas 4.Gestión de características 4.1.Selección de características relevantes 4.2.Creación de nuevas características con Pandas 4.3.Reducción de dimensionalidad 4.4.División en conjuntos de entrenamiento, validación y prueba con Scikit-learn

MÓDULO 3: Aprendizaje Supervisado 1.Fundamentos de aprendizaje supervisado 1.1.Paradigma de entrenamiento y predicción 1.2.Conceptos de instancias, características y etiquetas 1.3.Función de costo y optimización 1.4.Sobreajuste y subajuste: visualización con Python 2.Algoritmos de clasificación con Scikit-learn 2.1.Regresión logística y clasificadores lineales 2.2.Árboles de decisión y Random Forest 2.3.Support Vector Machines 2.4.Clasificadores bayesianos y k-NN 3.Modelos de regresión en Python 3.1.Regresión lineal simple y múltiple 3.2.Modelos no lineales: árboles de regresión 3.3.Aplicaciones prácticas de la regresión 4.Implementación con Python y sus librerías 4.1.Scikit-learn: uso y mejores prácticas 4.2.Pipelines de procesamiento y modelado 4.3.Ajuste de hiperparámetros 4.4.Interpretación de resultados con bibliotecas visuales de Python

MÓDULO 4: Aprendizaje no supervisado y evaluación de modelos 1.Fundamentos del aprendizaje no supervisado 1.1.Objetivos y aplicaciones 1.2.Métricas de similitud y distancia 1.3.Desafíos y limitaciones 1.4.Comparación con aprendizaje supervisado: implementación en Python 2.Técnicas de clustering con Python 2.1.K-means y variantes con Scikit-learn 2.2.Clustering jerárquico y visualización con Scipy y Seaborn 2.3.DBSCAN y algoritmos basados en densidad 2.4.Evaluación e interpretación de clusters 3.Reducción de dimensionalidad y visualización 3.1.Análisis de Componentes Principales (PCA) con Scikit-learn 3.2.Visualización de datos multidimensionales con Matplotlib y Plotly 3.3.Aplicaciones en exploración de datos 4.Evaluación y mejora de modelos con Python 4.1.Métricas para modelos de clasificación y regresión con Scikit-learn 4.2.Matrices de confusión, curvas ROC y AUC usando bibliotecas de visualización 4.3.Técnicas de validación cruzada implementadas en Python 4.4.Ajuste de modelos y optimización.

Trabajo final El proyecto tiene como propósito principal que los participantes apliquen los conocimientos adquiridos en Machine Learning mediante un caso práctico que demuestre:

• Comprensión de conceptos fundamentales del Aprendizaje Automático.
• Habilidades de preparación, exploración y procesamiento de datos con Python.
• Implementación y evaluación de modelos de Machine Learning supervisados o no supervisados.
• Capacidad de extracción hallazgos y toma de decisiones basadas en los resultados de los modelos
• Uso efectivo de las herramientas tecnológicas estudiadas durante el programa.

Aprobar el trabajo final con un mínimo de 7 puntos y Cumplir con el 70% mínimo de asistencia global del curso.

Enviar por mail la fotocopia de DNI (frente y dorso) cursos.ing@ucc.edu.ar

Los programas de Formación Continua otorgan certificados digitales oficiales de la Universidad Católica de Córdoba. No se considerarán una carrera, ni un ciclo inicial o título intermedio habilitante con reconocimiento nacional.

Plataforma Moodle Campus UCC + videoconferencias | Campus UCC | Facultad Ingeniería | Armada Argentina 3555 |