Puerta de entrada al ML: tipos de aprendizaje, pipeline de datos y evaluación de modelos.
Certificado del Programa
Los usuarios que se suscriban a este curso, tienen la oportunidad de obtener un Certificado de estudios con validez SEP , verificable, imprimible y descargable (PDF) .
Para Obtener tu certificado SEP deberás presentar tu certificado de finalización de coursera. Tu membresía tiene incluida la emisión de 1 Certificado para el curso que elijas.
Si quieres cursar otro programa con certificado este tiene un costo de emisión de MXN $1,950
-
- Módulo 1: Breve historia de la IA moderna y sus aplicaciones 03:00:00
- Módulo 2: Recuperación y limpieza de datos 03:00:00
- Módulo 3: Análisis exploratorio de datos e ingeniería de características 03:00:00
- Módulo 4: Estadística inferencial y comprobación de hipótesis 03:00:00
- Módulo 5: Proyecto final 03:00:00
-
- Módulo 1: Introducción al aprendizaje automático supervisado y a la regresión lineal 03:00:00
- Módulo 2: División de datos y regresión polinómica 03:00:00
- Módulo 3: Validación cruzada 03:00:00
- Módulo 4: Compensación de la varianza del sesgo y técnicas de regularización: Ridge, LASSO y Red Elástica 03:00:00
- Módulo 5: Detalles de la regularización 03:00:00
- Módulo 6: Proyecto final 03:00:00
- Módulo 1: Regresión logística 03:00:00
- Módulo 2: K Vecinos más próximos 03:00:00
- Módulo 3: Máquinas de vectores soporte 03:00:00
- Módulo 4: Árboles de decisión 03:00:00
- Módulo 5: Modelos de conjunto 03:00:00
- Módulo 6: Modelado de clases desequilibradas 03:00:00
Comparte esta certificación.
Información del Curso
240 Horas Curriculares
24 Créditos Académicos
Certificado oficial SEP
Aprendizaje especializado
Contenido de la Certificación
Aprende los conceptos esenciales de machine learning: aprendizaje supervisado y no supervisado, selección de características y evaluación.
Practicarás con Python y librerías populares para preparar datos, entrenar modelos y analizar resultados.
Culmina con proyectos prácticos aplicados a problemas reales.
• EDA, limpieza y preparación de datos para ML.
• Regresión y clasificación con métricas y regularización.
• Clustering y reducción de dimensionalidad.
• Buenas prácticas y proceso de modelado de punta a punta.
CURSO 1: Exploración de datos para ML —
• Recolección, limpieza, ingeniería de características y pruebas de hipótesis.
CURSO 2: ML supervisado: Regresión —
• Métricas y regularización (Ridge, LASSO, Elastic Net).
CURSO 3: ML supervisado: Clasificación —
• Logística, árboles y ensamblados; clases desbalanceadas.
CURSO 4: ML no supervisado —
• Clustering (K‑means, DBSCAN) y PCA.
CURSO 5: Introducción a Deep Learning y RL —
• Redes neuronales y arquitecturas modernas.
CURSO 6: Proyecto final —
• Sistema de recomendación y presentación de resultados.
