Saltar al contenido
Instituto de Data Science de Argentina

Diplomatura en Machine Learning

Modalidad Diplomatura online: Las clases teóricas y las prácticas se emiten por videoconferencia en vivo y son interactivas. Las emisiones se guardan para repaso de los estudiantes y tienen soporte de material PDF. Trabajos prácticos sobre casos reales
Carga horaria: 120 Hs
Duración: 12 semanas
Preinscripción abierta

$14.900

Agotado

Descripción

Programa de estudios de la Diplomatura en Machine Learning

El machine learning es una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que las computadoras aprendan. Es decir cuando su desempeño mejora con la experiencia.Se trata de diseñar algoritmos para convertir muestras de datos en programas, sin tener que escribirlos. Los programas resultantes deben ser capaces de generalizar comportamientos e inferencias para un conjunto de grandes datos. Las aplicaciones son amplias que incluyen motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.

Programa analítico de la Diplomatura en Machine Learning

Unidad 1: Regresiones

Regresión Lineal
Regresión polinómica
Regresión exponencial y logarítmica
Regresión de dos variables
Cálculo de regresiones en R con lm
Cálculo de regresiones logísticas en R con glm

Unidad 2: Arboles de decisión

Algoritmo básico en Excel
División en entrenamiento y prueba
Uso de Rpart y cp
Predicción y valoración de la solución
Uso de Party
Aplicación al problema del call center

Unidad 3: “Clusters”

Algoritmo básico en Excel
Uso de kmeans
Ejemplo de aplicación real
Otros algoritmos de agrupamiento en R
Ejercicio de aplicación de agrupamiento de mascotas

Unidad 4: Reglas de Asociación

Algoritmo básico en Access
División en entrenamiento y prueba
Uso de arules en R
Ejemplo de una aplicación real votación de reglas
Ejemplo de una aplicación real a datos de ventas en supermercados

Unidad 5: Redes Neuronales

Algoritmo básico en Excel
División en entrenamiento y prueba
Uso de neuralnet
Predicción y valoración de la solución
Discusión del problema de legibilidad de los resultados desde el negocio
Competencia entre árboles y redes en un caso concreto

Unidad 6: Algoritmos genéticos

Algoritmo básico en Excel
Discusión del tipo de problemas en los que se aplica
Discusión de otros mecanismos de optimización
Implementación en R del uso de algoritmos genéticos como
Valores reales
Binarios
Permutaciones

Unidad 7: Series temporales

Taxonomía
Separación de componentes
Predicciones
ARIMA implementado en R
Predicción en series con un único período
Predicción en series con múltiples períodos
Predicción en series con períodos variables: renormalización

Unidad 8: Método de Simulación de Montecarlo

Algoritmo básico en Excel
Discusión de la utilidad del método
Comparación con el análisis de escenarios
Ejemplo de una aplicación real
Ejemplo simple implementado en R

Unidad 9: Minería de textos

Clasificación supervisada de piezas de texto
Construcción de una red semántica
Discusión de las posibilidades de reconocimiento de voz
Ejemplos de aplicación real del algoritmo de clasificación
Aplicación a la detección de sentimientos

Unidad 10: Bayes Ingenuo

Implementación en Excel
Ejemplo de aplicación en R
Comparación de 4 algoritmos predictivos (Bayes ingenuo, árboles, redes neuronales y regression logística)

Unidad 11: Random Forest

Descripción conceptual del método
Paquete randomForest
Ejemplo de aplicación
Comparación con otras técnicas

Unidad 12: Métodos Bayesianos

Descripción conceptual del método:
Regresión lineal bayesiana
Regresión logística bayesiana
Inferencia bayesiana
Red bayesiana

Ejemplos de aplicación
Paquete BAS
Paquete brms
Paquete arm
Paquete bnlearnd

Comparación con otras técnicas

Unidad 13: Máquina de soporte vectorial

Descripción conceptual del método
Paquete e1071
Ejemplo de aplicación
Comparación con otras técnicas

Catálogo de cursos