IA para la investigación científica
Lance su carrera en la ciencia de datos
Certificado con validez SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 192 h
100% autodidacta
16 unidades
Nivel principiante
Modalidad
Así estudias: curso autodidacta
- Autodidacta y 100% en línea: contenido disponible 24/7.
- Avanzas a tu ritmo: la plataforma guarda tu progreso.
- Sin tutor ni clases en vivo: el curso está diseñado para estudiarse por tu cuenta.
- Te evalúas con actividades automáticas, sin entregas a un tutor.
Qué aprenderás
Lo que serás capaz de hacer
En la especialización de IA para la investigación científica, aprenderemos a utilizar la IA en situaciones científicas para descubrir tendencias y patrones dentro de conjuntos de datos. El curso 1 enseña un poco sobre el lenguaje Python en su relación con la ciencia de datos. Compartiremos algunas bibliotecas existentes para ayudarle a analizar sus conjuntos de datos. Al final del curso, aplicará un modelo de clasificación para predecir la presencia o ausencia de enfermedades cardíacas a partir de los datos de salud de un paciente. El Curso 2 cubre el proceso completo de aprendizaje automático, desde la lectura, limpieza y transformación de datos hasta la ejecución de algoritmos de aprendizaje automático básicos y avanzados. En el proyecto final, aplicaremos nuestros conocimientos para comparar diferentes modelos de aprendizaje automático en Python. En el Curso 3, ampliaremos nuestros conocimientos sobre modelos básicos y exploraremos técnicas de IA más avanzadas. Describiremos las diferencias entre ambas técnicas y exploraremos en qué se diferencian. Después, completaremos un proyecto de predicción de similitudes entre pacientes sanitarios utilizando bosques aleatorios. En el Curso 4, un curso de proyecto final, compararemos secuencias genómicas de mutaciones COVID-19 para identificar áreas potenciales a las que puede dirigirse una terapia farmacológica. Al final, estará bien encaminado para descubrir formas de combatir las enfermedades con la secuenciación del genoma.
- Cómo utilizar la IA en situaciones científicas para descubrir tendencias y patrones en los conjuntos de datos
- El proceso completo de aprendizaje automático
- Utilizar la inteligencia artificial para predecir secuencias en conjuntos de datos
Habilidades que desarrollarás
Preprocesamiento de datos
Ingeniería de características
Evaluación de modelos
Bioinformática
Análisis exploratorio de datos
Algoritmo de bosque aleatorio
Pandas (paquete de Python)
Scikit Learn (biblioteca de aprendizaje automático)
Aprendizaje automático aplicado
Manipulación de datos
Reducción de dimensionalidad
Limpieza de datos
Optimización de modelos
Keras (biblioteca de redes neuronales)
Algoritmos de aprendizaje automático
Transformación de datos
Métodos de aprendizaje automático
NumPy
Aprendizaje automático
Ciencia de datos
Temario
UNIDAD 1 - Introducción a la programación en Python para la comprobación de hipótesis · 25 leccionesIntroducción a la ciencia de datos y scikit-learn en Python - UNIDAD 1 - Introducción a la programación en Python para la comprobación de hipótesis
UNIDAD 1 - Introducción a la programación en Python para la comprobación de hipótesis · 25 lecciones
Introducción a la ciencia de datos y scikit-learn en Python - UNIDAD 1 - Introducción a la programación en Python para la comprobación de hipótesis
- Introducción al curso
- Módulo Introducción
- Una nota sobre la codificación junto a los vídeos
- Conceptos básicos de Python y Jupyter Notebook
- Conceptos básicos de Jupyter Notebook
- Configuración del entorno
- El patio de recreo
- Listas
- Listas
- Soluciones para tareas de programación: Listas
- Diccionarios
- Diccionarios
- Soluciones para tareas de programación: Diccionarios
- Documentos de Python: Estructuras de datos
- Comprensión de listas
- Cuestionario práctico: Estructuras de datos
- Bucles
- Bucles y comprensión de listas
- Soluciones para tareas de programación: Bucles y comprensión de listas
- Funciones
- Funciones
- Soluciones para tareas de programación: Funciones
- Argumentos de las palabras clave
- Bibliotecas y módulos
- Introducción a Python
UNIDAD 2 - Creación de una hipótesis: Numpy, Pandas y Scikit-Learn · 20 leccionesIntroducción a la ciencia de datos y scikit-learn en Python - UNIDAD 2 - Creación de una hipótesis: Numpy, Pandas y Scikit-Learn
UNIDAD 2 - Creación de una hipótesis: Numpy, Pandas y Scikit-Learn · 20 lecciones
Introducción a la ciencia de datos y scikit-learn en Python - UNIDAD 2 - Creación de una hipótesis: Numpy, Pandas y Scikit-Learn
- Módulo Introducción
- Inmersión profunda en Numpy (Parte I)
- Inmersión profunda en Numpy (Parte II)
- Numpy, Pandas y scikit-learn
- Cuestionario de práctica: Conceptos básicos de Numpy
- a 10 minutos de Pandas
- Introducción a los pandas
- Indexación de DataFrames
- Inmersión profunda en pandas
- Cuestionario práctico: Pandas
- Unir y manipular marcos de datos (I)
- Pandas Docs: Remodelar y combinar datos
- Unir y manipular marcos de datos (II)
- Unir y manipular marcos de datos (III)
- Cuestionario práctico: Combinar datos
- Dividir-Aplicar-Combinar
- Documentos de Python: Ordenar_valores()
- Cuestionario sobre Numpy y Pandas
- Encontrar valores atípicos
- Soluciones para tareas de programación: Encontrar valores atípicos
UNIDAD 3 - Scikit-Learn Revisited: ML para la comprobación de hipótesis · 14 leccionesIntroducción a la ciencia de datos y scikit-learn en Python - UNIDAD 3 - Scikit-Learn Revisited: ML para la comprobación de hipótesis
UNIDAD 3 - Scikit-Learn Revisited: ML para la comprobación de hipótesis · 14 lecciones
Introducción a la ciencia de datos y scikit-learn en Python - UNIDAD 3 - Scikit-Learn Revisited: ML para la comprobación de hipótesis
- Módulo Introducción
- Uso de los documentos de Scikit-Learn
- Introducción a scikit-learn
- Cuestionario práctico: Uso de los documentos de scikit-learn
- Carga y análisis de conjuntos de datos
- Carga y análisis de datos
- Soluciones para tareas de programación: Carga y análisis de datos
- Aplicación de la regresión lineal (I)
- División entrenamiento/prueba y validación cruzada
- Matemáticas del aprendizaje automático
- Mínimos cuadrados
- Conclusión de Scikit-Learn
- Cuestionario práctico: Matemáticas de la regresión lineal
- Regresión lineal con Scikit-Learn
UNIDAD 4 - Utilizar la clasificación para predecir la presencia de enfermedades cardiacas · 3 leccionesIntroducción a la ciencia de datos y scikit-learn en Python - UNIDAD 4 - Utilizar la clasificación para predecir la presencia de enfermedades cardiacas
UNIDAD 4 - Utilizar la clasificación para predecir la presencia de enfermedades cardiacas · 3 lecciones
Introducción a la ciencia de datos y scikit-learn en Python - UNIDAD 4 - Utilizar la clasificación para predecir la presencia de enfermedades cardiacas
- Predecir la presencia de cardiopatías
- Predecir la presencia de cardiopatías
- Soluciones para la asignación de programas: Predicción de la presencia de cardiopatías
UNIDAD 5 - Antes de la IA: Preparación y preprocesamiento de datos · 18 leccionesModelos de aprendizaje automático en la ciencia - UNIDAD 5 - Antes de la IA: Preparación y preprocesamiento de datos
UNIDAD 5 - Antes de la IA: Preparación y preprocesamiento de datos · 18 lecciones
Modelos de aprendizaje automático en la ciencia - UNIDAD 5 - Antes de la IA: Preparación y preprocesamiento de datos
- Introducción al curso
- Configuración del entorno
- Módulo Introducción
- Anatomía de un conjunto de datos (I)
- Anatomía de un conjunto de datos (II)
- Técnicas de preprocesamiento de datos
- Preprocesamiento de datos
- Cálculo de valores propios y vectores propios
- Cuestionario de práctica: Valores propios y vectores propios
- Introducción al ACP
- Matemáticas del ACP
- Explicación del ACP
- El ACP en acción (I)
- Multiplicación de matrices
- El ACP en acción (II)
- Introducción al ADL
- LDA en la práctica
- Técnicas de preprocesamiento de datos
UNIDAD 6 - Algoritmos fundamentales de IA: K-Means y SVM · 12 leccionesModelos de aprendizaje automático en la ciencia - UNIDAD 6 - Algoritmos fundamentales de IA: K-Means y SVM
UNIDAD 6 - Algoritmos fundamentales de IA: K-Means y SVM · 12 lecciones
Modelos de aprendizaje automático en la ciencia - UNIDAD 6 - Algoritmos fundamentales de IA: K-Means y SVM
- Módulo Introducción
- Aprendizaje automático en la ciencia
- Aprendizaje no supervisado frente a aprendizaje supervisado
- Técnicas de aprendizaje supervisado y no supervisado
- K-Means frente a K-Nearest Neighbors
- Sci-kit Learn Docs: Agrupación K-Means
- Scikit-Learn Docs: Máquinas de vectores soporte
- Máquinas de vectores soporte
- Cuestionario de práctica: K-Means y SVM
- Práctica: Máquinas de vectores soporte
- Soluciones a las tareas de programación: Práctica: Máquinas de vectores soporte
- Fundamentos del aprendizaje automático
UNIDAD 7 - IA avanzada: redes neuronales y árboles de decisión · 9 leccionesModelos de aprendizaje automático en la ciencia - UNIDAD 7 - IA avanzada: redes neuronales y árboles de decisión
UNIDAD 7 - IA avanzada: redes neuronales y árboles de decisión · 9 lecciones
Modelos de aprendizaje automático en la ciencia - UNIDAD 7 - IA avanzada: redes neuronales y árboles de decisión
- Módulo Introducción
- Árboles de decisión
- Entender los bosques aleatorios
- Qué es una red neuronal
- Explicación e historia de las redes neuronales
- Implementación de redes neuronales
- Cuestionario de práctica: Redes neuronales utilizando scikit-learn
- Redes neuronales en Python
- Soluciones para tareas de programación: Redes neuronales en Python
UNIDAD 8 - Proyecto de curso · 2 leccionesModelos de aprendizaje automático en la ciencia - UNIDAD 8 - Proyecto de curso
UNIDAD 8 - Proyecto de curso · 2 lecciones
Modelos de aprendizaje automático en la ciencia - UNIDAD 8 - Proyecto de curso
- Proyecto final: Comparación de modelos ML
- Soluciones a las tareas de programación: Proyecto Final: Comparación de modelos ML
UNIDAD 9 - Introducción a las redes neuronales · 10 leccionesRedes neuronales y bosques aleatorios - UNIDAD 9 - Introducción a las redes neuronales
UNIDAD 9 - Introducción a las redes neuronales · 10 lecciones
Redes neuronales y bosques aleatorios - UNIDAD 9 - Introducción a las redes neuronales
- Introducción al curso
- Módulo Intro
- Red neuronal visualizada
- Patio de recreo de redes neuronales
- Funciones de pérdida
- Retropropagación
- Feed Forward y retropropagación
- Funciones de activación
- Funciones comunes de activación
- Conceptos básicos de las redes neuronales
UNIDAD 10 - Inmersión profunda en las redes neuronales · 10 leccionesRedes neuronales y bosques aleatorios - UNIDAD 10 - Inmersión profunda en las redes neuronales
UNIDAD 10 - Inmersión profunda en las redes neuronales · 10 lecciones
Redes neuronales y bosques aleatorios - UNIDAD 10 - Inmersión profunda en las redes neuronales
- Módulo Intro
- Introducción a TensorFlow y Keras
- Implementación de un modelo ML con Tensorflow y Keras
- Codificación de redes neuronales
- Compensación entre sesgo y varianza
- Configuración de la tasa de aprendizaje
- Inmersión profunda en Keras
- Redes multicapa
- Artículo científico: Redes neuronales en bioinformática
- Redes neuronales avanzadas
UNIDAD 11 - Explorando los bosques aleatorios · 5 leccionesRedes neuronales y bosques aleatorios - UNIDAD 11 - Explorando los bosques aleatorios
UNIDAD 11 - Explorando los bosques aleatorios · 5 lecciones
Redes neuronales y bosques aleatorios - UNIDAD 11 - Explorando los bosques aleatorios
- Módulo Intro
- Explorar los árboles
- Scitkit-learn docs: Clasificador Random Forest
- Scikit-learn Docs: Regresor Random Forest
- Predecir las especies animales basándose en el linaje
UNIDAD 12 - Proyecto final: Comparación de modelos para predecir la anchura del sépalo · 1 leccionesRedes neuronales y bosques aleatorios - UNIDAD 12 - Proyecto final: Comparación de modelos para predecir la anchura del sépalo
UNIDAD 12 - Proyecto final: Comparación de modelos para predecir la anchura del sépalo · 1 lecciones
Redes neuronales y bosques aleatorios - UNIDAD 12 - Proyecto final: Comparación de modelos para predecir la anchura del sépalo
- Predicción de la anchura del sépalo
UNIDAD 13 - Comparación de secuencias genómicas · 6 leccionesProyecto Capstone: IA avanzada para el descubrimiento de fármacos - UNIDAD 13 - Comparación de secuencias genómicas
UNIDAD 13 - Comparación de secuencias genómicas · 6 lecciones
Proyecto Capstone: IA avanzada para el descubrimiento de fármacos - UNIDAD 13 - Comparación de secuencias genómicas
- Bienvenido al curso
- Configuración del entorno
- Módulo Intro
- Introducción a la Parte I
- Parte I: Comparación de secuencias genómicas
- Soluciones a las tareas de programación: Parte I: Comparación de secuencias genómicas
UNIDAD 14 - Análisis de componentes principales en secuencias genómicas · 5 leccionesProyecto Capstone: IA avanzada para el descubrimiento de fármacos - UNIDAD 14 - Análisis de componentes principales en secuencias genómicas
UNIDAD 14 - Análisis de componentes principales en secuencias genómicas · 5 lecciones
Proyecto Capstone: IA avanzada para el descubrimiento de fármacos - UNIDAD 14 - Análisis de componentes principales en secuencias genómicas
- Módulo Intro
- Introducción a la Parte II
- Parte II: PCA
- Soluciones de programación: Parte II: PCA
- Otras funciones del PCA
UNIDAD 15 - Análisis de características mediante agrupación K-Means · 4 leccionesProyecto Capstone: IA avanzada para el descubrimiento de fármacos - UNIDAD 15 - Análisis de características mediante agrupación K-Means
UNIDAD 15 - Análisis de características mediante agrupación K-Means · 4 lecciones
Proyecto Capstone: IA avanzada para el descubrimiento de fármacos - UNIDAD 15 - Análisis de características mediante agrupación K-Means
- Módulo Intro
- Introducción a la Parte III
- Parte III: Agrupación K-Means
- Programación de soluciones de asignación: Parte III: Agrupación K-Means
UNIDAD 16 - Predicción de la puntuación de bits para encontrar coincidencias de secuencias · 4 leccionesProyecto Capstone: IA avanzada para el descubrimiento de fármacos - UNIDAD 16 - Predicción de la puntuación de bits para encontrar coincidencias de secuencias
UNIDAD 16 - Predicción de la puntuación de bits para encontrar coincidencias de secuencias · 4 lecciones
Proyecto Capstone: IA avanzada para el descubrimiento de fármacos - UNIDAD 16 - Predicción de la puntuación de bits para encontrar coincidencias de secuencias
- Módulo Intro
- Introducción a la Parte IV
- Parte IV: Predictores de redes neuronales
- Soluciones de programación: Parte IV: Predictores de redes neuronales
Certificado oficial
Certificado con validez SEP: lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Cómo funciona
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
16 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
17 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Lo que obtienes
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Certificado SEP incluido (sin costo). Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por LearnQuest.
- Folio y QR verificables para compartirlo con quien te contrate.
Medios que necesitas
Equipo de cómputo
Conexión estable a internet
Pago único
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 16 unidades · 148 lecciones · 192 h
- 12 meses de acceso
- 17 cuestionarios de evaluación
- Certificado SEP incluido (sin costo), emitido por la SEP (Gob. del Estado de México) con folio verificable
Preguntas frecuentes
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por LearnQuest; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
¿El curso tiene validez SEP?
Sí, incluido sin costo. Al completar el curso recibes un certificado emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
¿El curso tiene tutor o clases en vivo?
No. Es un curso autodidacta: estudias por tu cuenta, a tu ritmo, sin tutor ni sesiones en vivo.
¿Cómo se evalúa?
Te evalúas con actividades automáticas, sin entregas a un tutor.
