Ruta intensiva para roles de ML: Python, scikit‑learn, modelos supervisados/no supervisados y DL básico.
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
-
-
- Introducción al curso 00:01:33
- Requisitos previos del curso 00:04:00
- Introducción a la inteligencia artificial y al aprendizaje automático 00:05:59
- Aprendizaje automático y aprendizaje profundo 00:10:08
- Historia de la IA 00:07:38
- Historia del aprendizaje automático y el aprendizaje profundo 00:05:20
- Cuestionario práctico: Inteligencia artificial y aprendizaje automático 00:20:00
- IA moderna 00:06:38
- Aplicaciones 00:03:06
- Flujo de trabajo de aprendizaje automático 00:06:49
- Cuestionario práctico: Aplicaciones y flujos de trabajo modernos de IA 00:20:00
- Consulte 00:03:00
- Cuestionario graduado: Módulo 1 – La IA moderna y sus aplicaciones 00:20:00
- Recuperación de datos de archivos CSV y JSON 00:04:48
- Recuperación de datos de bases de datos, API y la nube 00:08:43
- Laboratorio de demostración: Lectura de datos en archivos de bases de datos – Parte A 00:20:00
- [Opcional] Descargar material para el laboratorio: Lectura de datos en archivos de bases de datos – Parte A 00:02:00
- solución de laboratorio [Opcional]: Lectura de datos Jupyter Notebook – Parte A 00:07:14
- Laboratorio de demostración: Lectura de datos en Jupyter Notebook – Parte B 00:20:00
- [Opcional] Descargar Activos para el Laboratorio: Lectura de datos en Jupyter Notebook – Parte B 00:02:00
- [Opcional]Solución de laboratorio: Lectura de archivos de bases de datos – Parte B 00:05:24
- Cuestionario práctico: Recuperación de datos 00:20:00
- Limpieza de datos 00:06:16
- Manejo de valores perdidos y valores atípicos 00:06:39
- Manejo de valores perdidos y valores atípicos mediante residuos 00:04:08
- Laboratorio de prácticas: Limpieza de datos 00:45:00
- Cuestionario práctico: Limpieza de datos 00:20:00
- Resumen/Revisión 00:03:00
- Cuestionario graduado: Módulo 2 – Recuperación y limpieza de datos 00:20:00
- Estimación e inferencia – Introducción 00:05:59
- Estimación e inferencia – Ejemplo 00:05:07
- Estimación e inferencia – Paramétrica frente a no paramétrica 00:05:09
- Estimación e inferencia – Distribuciones de uso común 00:04:51
- Estadística frecuentista frente a estadística bayesiana 00:05:38
- Cuestionario práctico: Estimación e inferencia y comprobación de hipótesis 00:20:00
- Introducción a la hipótesis 00:02:08
- Ejemplo de prueba de hipótesis 00:02:22
- Ejemplo de interpretación bayesiana de la prueba de hipótesis 00:04:21
- Error de tipo 1 frente a error de tipo 2 00:05:04
- Terminología de la prueba de hipótesis 00:04:20
- Nivel de significación y valores P 00:07:07
- Nivel de significación y valores P y la estadística F 00:05:21
- Laboratorio de demostración: Pruebas de hipótesis 00:20:00
- [Opcional] Descargar activos para el laboratorio: Demostración de la prueba de hipótesis 00:02:00
- demostración [opcional] de comprobación de hipótesis – Parte 1 00:05:41
- demostración [opcional] de la prueba de hipótesis – Parte 2 00:10:50
- Correlación frente a causalidad 00:09:26
- Laboratorio de prácticas: Pruebas de hipótesis 00:30:00
- Práctica: Pruebas de hipótesis 00:20:00
- Resumen/Revisión 00:03:00
- Cuestionario graduado: Módulo 4 – Estadística inferencial y prueba de hipótesis 00:20:00
- Reparto de entrenamientos y pruebas (1ª parte) 00:04:29
- Reparto de entrenamientos y pruebas (2ª parte) 00:04:18
- Laboratorio de demostración: Divisiones de entrenamiento y prueba 01:00:00
- (Opcional) Laboratorio de formación y pruebas de división – Parte 1 00:07:48
- (Opcional) Laboratorio de formación y pruebas de división – Parte 2 00:16:50
- (Opcional) Laboratorio de formación y prueba de divisiones – Parte 3 00:10:34
- (Opcional) Laboratorio de formación y pruebas de división – Parte 4 00:05:20
- Cuestionario práctico: Formación y Pruebas SPLIT 00:20:00
- Regresión polinómica 00:07:07
- Laboratorio de prácticas: Regresión polinómica 00:40:00
- Cuestionario práctico: Regresión polinómica 00:20:00
- Resumen/Revisión 00:04:00
- Módulo 2 Cuestionario graduado: División de datos y regresión polinómica 00:20:00
- Compensación de la varianza del sesgo (1ª parte) 00:07:33
- Compensación de la varianza del sesgo (2ª parte) 00:04:13
- Regularización y selección de modelos 00:07:55
- Regresión Ridge 00:08:44
- Regresión Lasso (1ª parte) 00:08:19
- Regresión Lasso (2ª parte) 00:04:43
- Red elástica 00:03:12
- Cuestionario práctico: Técnicas de regularización 00:20:00
- Laboratorio de demostración: Características polinómicas y regularización 01:00:00
- Demostración de características polinómicas y regularización – Parte 1 00:20:50
- Demostración de características polinómicas y regularización – Parte 2 00:11:15
- Demostración de características polinómicas y regularización – Parte 3 00:10:29
- Cuestionario de práctica: Características polinómicas y regularización 00:20:00
- Resumen/Revisión 00:10:00
- Módulo 4 Cuestionario graduado: Compensación de la varianza del sesgo y técnicas de regularización: Ridge, LASSO y Red elástica 00:20:00
- Escenario del proyecto 00:10:00
- Laboratorio práctico: Proyecto final 01:00:00
- Presentación y evaluación del proyecto final 01:00:00
- Felicitaciones y próximos pasos 00:05:00
- Gracias de parte del equipo del curso 00:02:00
- Sobre este curso 00:03:00
- Bienvenido 00:01:18
- Opcional: Descargar activos de datos 00:03:00
- Introducción: ¿Qué es la clasificación? 00:06:24
- Introducción a la regresión logística 00:02:58
- Clasificación con regresión logística 00:05:44
- Regresión logística con varias clases 00:02:18
- Implementación de modelos de regresión logística 00:04:17
- Matriz de confusión, exactitud, especificidad, precisión y recuperación 00:07:11
- Métricas de error de clasificación: Curvas ROC y de Precisión-Recuperación 00:06:42
- Implementación del cálculo de las curvas ROC y Precisión-Recuperación 00:04:18
- Regresión logística 00:20:00
- Laboratorio de demostración: Regresión logística 00:30:00
- [Opcional] Descargar activos para el laboratorio de demostración: Regresión logística 00:10:00
- laboratorio de regresión logística [opcional] – Parte 1 00:13:51
- laboratorio de regresión logística [opcional] – Parte 2 00:16:49
- laboratorio de regresión logística [opcional] – Parte 3 00:13:56
- Laboratorio de prácticas: Regresión logística 00:30:00
- Laboratorios de regresión logística 00:20:00
- Resumen/Revisión 00:04:00
- Módulo 1 Cuestionario graduado Regresión logística 00:20:00
- Introducción a las máquinas de vectores soporte 00:03:49
- Clasificación con máquinas de vectores soporte 00:02:56
- La función de costes de las máquinas de vectores soporte 00:05:25
- Regularización en las máquinas de vectores soporte 00:06:58
- Máquinas de vectores soporte 00:20:00
- Introducción a las máquinas de vectores soporte Núcleos gaussianos 00:02:12
- Máquinas de vectores soporte Núcleos gaussianos – Parte 1 00:04:04
- Máquinas de vectores soporte Núcleos gaussianos – Parte 2 00:04:27
- Flujo de trabajo de las máquinas de vectores de apoyo 00:04:42
- Implantación de modelos Kernal de máquinas de vectores soporte 00:03:51
- Núcleos de máquinas de vectores soporte 00:20:00
- Laboratorio de demostración: Máquinas de vectores soporte 00:20:00
- cuaderno [Opcional] Máquinas de vector soporte – Parte 1 00:08:32
- cuaderno [Opcional] Máquinas de vector soporte – Parte 2 00:08:57
- cuaderno [Opcional] Máquinas de vector soporte – Parte 3 00:10:50
- Laboratorio de prácticas: Máquinas de vectores soporte 00:30:00
- Laboratorios de máquinas de vectores soporte 00:20:00
- Resumen/Revisión 00:02:00
- Módulo 3 Cuestionario graduado: Máquinas de vectores soporte 00:20:00
- Métodos basados en conjuntos y ensacado – Parte 1 00:02:09
- Métodos basados en conjuntos y bagging – Parte 2 00:01:57
- Métodos basados en conjuntos y ensacado – Parte 3 00:03:04
- Embolsado 00:20:00
- Random Forest 00:07:00
- Laboratorio de prácticas: Bosque aleatorio 00:45:00
- Random Forest 00:20:00
- Laboratorio de demostración: Embolsado 00:30:00
- [Opcional] Descarga de activos para el laboratorio de demostración: Embolsado 00:03:00
- cuaderno de embolsado [opcional] – Parte 1 00:06:47
- cuaderno de embolsado [opcional] – Parte 2 00:06:56
- cuaderno de embolsado [opcional] – Parte 3 00:09:53
- Laboratorio de prácticas: Embolsado 00:45:00
- Laboratorios de embolsado 00:20:00
- Refuerzo y apilamiento 00:04:24
- Visión general del refuerzo 00:03:28
- Visión general de Adaboost y Gradient Boosting 00:07:17
- Sintaxis de Adaboost y Gradient Boosting 00:04:18
- Apilado 00:07:05
- Refuerzo y apilamiento 00:20:00
- Laboratorio de demostración: Refuerzo y apilamiento 00:45:00
- [Opcional] Descargar activos para el laboratorio de demostración: Refuerzo y apilamiento 00:03:00
- cuaderno de refuerzo [opcional] – Parte 1 00:07:08
- cuaderno de refuerzo [opcional] – Parte 2 00:15:55
- cuaderno de refuerzo [opcional] – Parte 3 00:05:14
- Laboratorio de prácticas: Ada Boost 00:45:00
- Laboratorio de Prácticas: Apilamiento para la clasificación con Python 00:45:00
- Laboratorio de prácticas: (Opcional) Aumento de gradiente 01:45:00
- Laboratorios de refuerzo y apilamiento 00:20:00
- Resumen/Revisión 00:10:00
- Módulo 5 Cuestionario graduado 00:20:00
- Métricas de distancia: Distancia euclidiana y distancia Manhattan 00:03:58
- Métricas de distancia: Distancia Coseno y Jaccard 00:06:19
- Laboratorio de demostración: La maldición de la dimensionalidad 00:45:00
- Cuaderno de la maldición de la dimensionalidad – Parte 1 00:11:36
- Cuaderno de la maldición de la dimensionalidad – Parte 2 00:12:00
- Cuaderno de la maldición de la dimensionalidad – Parte 3 00:12:13
- Cuaderno de la maldición de la dimensionalidad – Parte 4 00:10:29
- Laboratorio de prácticas: Laboratorio de métricas de distancia 00:45:00
- Sin clasificar: Métricas de distancia 00:20:00
- Resumen 00:10:00
- Calificado: Cuestionario del módulo 2 00:20:00
- Reducción de la dimensionalidad: Visión general 00:05:06
- Reducción de la dimensionalidad: Análisis de componentes principales 00:09:24
- (Opcional) Revisión de la matriz 00:45:00
- Laboratorio de demostración: Reducción de la dimensionalidad (1ª parte) 00:30:00
- (Opcional) Cuaderno de reducción de la dimensionalidad – Parte 1 00:11:01
- Cuaderno de reducción de la dimensionalidad – Parte 2 00:12:42
- Laboratorio de prácticas: Análisis de componentes principales 00:45:00
- Descomposición del valor singular 00:45:00
- Ejemplo de imágenes con reducción de la dimensionalidad 00:07:43
- Sin clasificar: Reducción de la dimensionalidad 00:20:00
- Resumen 00:10:00
- Calificado: Cuestionario del módulo 4 00:20:00
- Factorización de matrices no negativas 00:09:22
- Laboratorio de demostración: Factorización de matrices no negativas 01:00:00
- (Opcional) Suplemento TF-IDF 00:30:00
- Cuaderno de factorización de matrices no negativas – Parte 1 00:08:50
- Cuaderno de factorización de matrices no negativas – Parte 2 00:06:13
- Laboratorio de prácticas: Factorización de matrices no negativas 01:00:00
- Sin calificar: Factorización de matrices no negativas 00:20:00
- Resumen 00:10:00
- Calificado: Cuestionario del módulo 6 00:20:00
- Cómo entrenar una red neuronal 00:04:26
- Retropropagación 00:05:19
- Demostración de retropropagación (Actividad) 00:30:00
- (Opcional) Cuaderno de retropropagación – Parte 1 00:06:45
- (Opcional) Cuaderno de retropropagación – Parte 2 00:08:15
- La función de activación sigmoidea 00:03:27
- Otras funciones de activación populares 00:07:10
- (Opcional) Cuaderno de retropropagación – Parte 3 00:06:53
- Práctica: Propagación hacia atrás, Funciones de activación 00:20:00
- Biblioteca popular de aprendizaje profundo 00:02:47
- Un flujo de trabajo típico de Keras 00:02:26
- Implementación de una red neuronal de ejemplo en Keras 00:05:00
- Demostración de Keras (Actividad) 00:30:00
- (Opcional) Cuaderno Keras – Parte 1 00:07:54
- (Opcional) Cuaderno Keras – Parte 2 00:13:20
- (Opcional) Cuaderno Keras – Parte 3 00:07:23
- Regresión con Keras 00:30:00
- (Opcional) Carga de imágenes con Keras 00:00:00
- Práctica: Biblioteca Keras 00:20:00
- Resumen/Revisión 00:10:00
- Cuestionario de fin de módulo 00:20:00
- Entropía cruzada categórica 00:05:09
- Entropía cruzada categórica 01:00:00
- Introducción a las redes neuronales convolucionales (CNN) 00:03:52
- Conjunto de datos de imágenes 00:03:50
- Granos 00:05:56
- Convolución para imágenes en color 00:02:09
- Convolución de imágenes 00:30:00
- Ajustes convolucionales – Acolchado y zancada 00:06:16
- Acolchado, agrupamiento y zancada 00:30:00
- Ajustes convolucionales – Profundidad y agrupación 00:07:41
- Canales y aplanamiento 00:30:00
- Formación de la red 00:50:00
- Demostración de redes neuronales convolucionales (Actividad) 00:30:00
- (Opcional) Demostración del cuaderno CNN – Parte 1 00:16:34
- (Opcional) Demostración del cuaderno CNN – Parte 2 00:05:41
- Práctica: Redes neuronales convolucionales 00:20:00
- Resumen/Revisión 00:10:00
- Cuestionario de fin de módulo 00:20:00
- Redes neuronales recurrentes (RNN) 00:03:06
- Estado y redes neuronales recurrentes 00:06:45
- (Optativo) Introducción a los datos secuenciales 00:00:00
- Redes neuronales recurrentes existentes 00:30:00
- Detalles Redes neuronales recurrentes 00:06:44
- Incrustación de palabras 00:35:00
- Demostración de redes neuronales recurrentes (Actividad) 00:30:00
- (Opcional) Cuaderno de redes neuronales recurrentes – Parte 1 00:13:59
- (Opcional) Cuaderno de redes neuronales recurrentes – Parte 2 00:05:57
- Práctica: Redes neuronales recurrentes 00:20:00
- Redes de memoria a largo plazo (LSTM) 00:03:39
- Explicación de LSTM 00:07:59
- Unidad recurrente cerrada 00:05:35
- Gated Recurrent Unidad Detalles 00:05:15
- Demostración de LSTM y GRU (Actividad) 00:45:00
- Práctica: LSTM y GRU 00:20:00
- Resumen/Revisión 00:10:00
- Cuestionario de fin de módulo 00:20:00
- Qué es un autocodificador variacional 00:04:32
- Cómo funcionan los autocodificadores variacionales 00:05:46
- Autocodificador variacional 00:30:00
- Prácticas: Autocodificadores variacionales 00:20:00
- Introducción a los GAN 00:06:57
- Cómo funcionan los GANS 00:06:55
- Problemas con la formación GANS 00:03:40
- Laboratorio GANS 1 00:35:00
- Laboratorio GANS 2 00:30:00
- Temas adicionales sobre aprendizaje profundo 00:05:52
- GPU con Keras 00:30:00
- IA explicable agnóstica al modelo 00:02:10
- Práctica: Redes Generativas Adversariales 00:20:00
- Resumen/Revisión 00:10:00
- Cuestionario de fin de módulo 00:20:00
- Sistemas de recomendación basados en contenidos 00:05:12
- Lectura: Métricas de evaluación de los sistemas de recomendación 00:15:00
- Sistema de recomendación de cursos basado en el contenido utilizando el perfil del usuario y los géneros de los cursos 01:00:00
- Lectura: Mapas de calor 00:20:00
- Sistema de recomendación de cursos basado en el contenido utilizando similitudes de cursos 00:45:00
- Sistema de recomendación de cursos basado en agrupaciones 01:30:00
- Puntos de control: Sistema de recomendación basado en aprendizaje no supervisado 00:20:00
- Graduado: Sistemas de recomendación basados en el aprendizaje no supervisado 00:20:00
- Elementos de un informe de hallazgos de datos satisfactorio 00:04:49
- Lectura: Estructura de un informe 00:15:00
- Las mejores prácticas para presentar sus conclusiones 00:03:09
- (Optativo) Laboratorio práctico: Primeros pasos con PowerPoint para la Web 00:20:00
- (Optativo) Laboratorio práctico: Conceptos básicos de PowerPoint 00:15:00
- (Opcional) Laboratorio práctico: Guarde su presentación PowerPoint como PDF 00:05:00
Comparte esta certificación.
Información del Curso
240 Horas Curriculares
24 Créditos Académicos
Accede por tu Smartphone
Certificado oficial SEP
Aprendizaje especializado
Contenido de la Certificación
Ruta intensiva para roles de ML: Python, scikit‑learn, modelos supervisados/no supervisados y DL básico.
Te prepara para trabajos de ML con proyectos prácticos y un portafolio verificable.
Trabajarás con Jupyter/Watson Studio y librerías como NumPy, Pandas, scikit‑learn, Keras y TensorFlow.
Abordarás aprendizaje supervisado, no supervisado y fundamentos de deep learning y RL.
• EDA y feature engineering con Python.
• Regresión, clasificación y evaluación de modelos.
• Clustering, reducción de dimensionalidad y minería de texto.
• Introducción a deep learning y RL.
CURSO 1: EDA para ML —
• Limpieza, selección y escalamiento de variables.
CURSO 2: ML supervisado: Regresión —
• Modelado, regularización y selección por métricas.
CURSO 3: ML supervisado: Clasificación —
• Árboles, ensamblados y manejo de clases desbalanceadas.
CURSO 4: ML no supervisado —
• Clustering y técnicas de reducción.
CURSO 5: Deep Learning y RL —
• Redes neuronales y fundamentos de RL.
CURSO 6: Proyecto integrador —
• Recomendadores y demo con presentación.
