Dominio de los algoritmos de Aprendizaje automático con Python
Dominar los Algoritmos de Aprendizaje automático con Python
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.
Lo que serás capaz de hacer
Actualizado en mayo de 2025. Este curso ahora cuenta con Coursera Coach! Una forma más inteligente de aprender con conversaciones interactivas en tiempo real que le ayudan a poner a prueba sus conocimientos, desafiar suposiciones y profundizar su comprensión a medida que avanza en el curso. Mastering Machine Learning Algorithms with Python proporciona una comprensión completa de las técnicas clave de aprendizaje automático y cómo aplicarlas utilizando Python. El curso cubre conceptos esenciales como el preprocesamiento de datos, el entrenamiento de modelos, la evaluación y la optimización, dotándole de las habilidades necesarias para construir y ajustar modelos de aprendizaje automático. El curso comienza con una introducción al aprendizaje automático, cubriendo su historia, terminología y tipos de algoritmos. Explorará cómo influyen los datos en los resultados de los modelos y comprenderá los retos más comunes en este campo. Además, se introducirán técnicas estadísticas como la comprobación de hipótesis y la teoría de la probabilidad para reforzar el desarrollo de modelos. A continuación, se sumergirá en la programación en Python, dominando estructuras de datos como Pandas DataFrames y arrays NumPy. Implementarás algoritmos como la regresión lineal y la regresión logística, junto con proyectos prácticos como la predicción del precio de los coches y la clasificación de las bajas en telecomunicaciones. Este curso es ideal para estudiantes con conocimientos básicos de programación y un interés en el aprendizaje automático. Se recomienda estar familiarizado con Python y la estadística. No se requiere experiencia previa en aprendizaje automático.
- Implementa algoritmos de aprendizaje automático, como la regresión, la clasificación y la agrupación, con Python.
- Explora los principios fundamentales de las técnicas estadísticas, como la teoría de la probabilidad y la comprobación de hipótesis.
- Utiliza bibliotecas de Python como Pandas, NumPy y scikit-learn para preprocesar y analizar datos.
- Optimiza los modelos de aprendizaje automático con técnicas avanzadas, como el ajuste de hiperparámetros y la búsqueda por cuadrícula.
Temario
UNIDAD 1 - Introducción al aprendizaje automático · 16 leccionesFundamentos de ML y Python para Ciencia de datos - UNIDAD 1 - Introducción al aprendizaje automático
Fundamentos de ML y Python para Ciencia de datos - UNIDAD 1 - Introducción al aprendizaje automático
- Introducción a la Especialización
- Introducción al Curso 'Fundamentos de ML y Python para Ciencia de datos'
- Recursos de Especialización Completa
- Introducción al aprendizaje automático
- Terminología del Aprendizaje automático
- Historia del Aprendizaje automático
- Casos de uso y tipos de Aprendizaje automático
- Papel de los datos en el Aprendizaje automático
- Desafíos en el aprendizaje automático
- Ciclo de vida y canalizaciones de aprendizaje automático
- Problemas de regresión
- Modelos de regresión y métricas de rendimiento
- Problemas de clasificación y métricas de rendimiento
- Optimización de las métricas de clasificación
- Sesgo y varianza
- Introducción al Aprendizaje automático - Evaluación
UNIDAD 2 - Técnicas estadísticas · 10 leccionesFundamentos de ML y Python para Ciencia de datos - UNIDAD 2 - Técnicas estadísticas
Fundamentos de ML y Python para Ciencia de datos - UNIDAD 2 - Técnicas estadísticas
- Estadísticas y experimentos
- Tipos de datos y Estadística descriptiva
- Variables aleatorias y Distribución normal
- Histogramas y aproximación normal
- Teorema central del límite
- Teoría de la probabilidad
- Teoría Binomial - Valor esperado y error estándar
- Pruebas de hipótesis
- Fundamentos de estadística: comprobación de hipótesis
- Técnicas estadísticas - Evaluación
UNIDAD 3 - Aprender Python · 33 leccionesFundamentos de ML y Python para Ciencia de datos - UNIDAD 3 - Aprender Python
Fundamentos de ML y Python para Ciencia de datos - UNIDAD 3 - Aprender Python
- Introducción a Python
- Introducción a Python con Notebook de Jupyter
- Variables y condiciones de Python
- Iteraciones en Python 1
- Iteraciones de Python 2
- Listas en Python
- Tuplas Python
- Diccionarios Python 1
- Diccionarios Python 2
- Conjuntos Python 1
- Conjuntos Python 2
- Matrices Numpy 1
- Matrices Numpy 2
- Matrices Numpy 3
- Pandas Serie 1
- Pandas Serie 2
- Pandas Serie 3
- Pandas Serie 4
- Pandas DataFrame 1
- Pandas DataFrame 2
- Pandas DataFrame 3
- Pandas DataFrame 4
- Pandas DataFrame 5
- Pandas DataFrame 6
- Funciones definidas por el usuario de Python
- Funciones Lambda de Python
- Funciones Lambda de Python y operaciones fecha-hora
- Operaciones con cadenas en Python
- Comprender los conjuntos en Python
- Conclusión del Curso 'Fundamentos de ML y Python para Ciencia de datos'
- Aprender Python - Evaluación
- Evaluación práctica del curso completo
- Evaluación completa del curso
UNIDAD 4 - Análisis exploratorio de datos · 13 leccionesAnálisis exploratorio de datos y algoritmos principales de ML - UNIDAD 4 - Análisis exploratorio de datos
Análisis exploratorio de datos y algoritmos principales de ML - UNIDAD 4 - Análisis exploratorio de datos
- Introducción al curso "Análisis exploratorio de datos y algoritmos principales de ML"
- Recursos de Especialización Completa
- Análisis exploratorio de datos
- Herramientas y procesos de EDA
- Proyecto EDA 1
- Proyecto EDA 2
- Proyecto EDA 3
- Proyecto EDA 4
- Proyecto EDA 5
- Proyecto EDA 6
- Proyecto 7 de la EDA
- Fundamentos del análisis exploratorio de datos
- Análisis exploratorio de datos - Evaluación
UNIDAD 5 - Regresión lineal · 15 leccionesAnálisis exploratorio de datos y algoritmos principales de ML - UNIDAD 5 - Regresión lineal
Análisis exploratorio de datos y algoritmos principales de ML - UNIDAD 5 - Regresión lineal
- Regresión lineal Introducción
- Función de formación y costes
- Funciones de coste y descenso por gradiente
- Regresión lineal: enfoque práctico
- Escalado de características y funciones de coste
- Supuestos y comprobación del modelo OLS
- Predicción del precio de los coches
- Preparación y análisis de datos 1
- Preparación y análisis de datos 2
- Preparación y análisis de datos 3
- Construcción de modelos
- Evaluación y optimización de modelos
- Optimización de modelos
- Introducción a la regresión lineal
- Regresión lineal - Evaluación
UNIDAD 6 - Regresión logística · 10 leccionesAnálisis exploratorio de datos y algoritmos principales de ML - UNIDAD 6 - Regresión logística
Análisis exploratorio de datos y algoritmos principales de ML - UNIDAD 6 - Regresión logística
- Regresión logística Introducción
- Modelo Logit
- Estudio de caso sobre la pérdida de clientes de telecomunicaciones
- Análisis de datos e ingeniería de características
- Crear el modelo logístico
- Evaluación del modelo: AUC-ROC
- Optimización de modelos 1
- Optimización de modelos 2
- Introducción a la regresión logística
- Regresión logística - Evaluación
UNIDAD 7 - Algoritmo de clasificación bayesiano ingenuo · 6 leccionesAnálisis exploratorio de datos y algoritmos principales de ML - UNIDAD 7 - Algoritmo de clasificación bayesiano ingenuo
Análisis exploratorio de datos y algoritmos principales de ML - UNIDAD 7 - Algoritmo de clasificación bayesiano ingenuo
- Modelo de probabilidad bayesiano ingenuo
- Cálculo de la probabilidad en el algoritmo de Bayes ingenuo
- Estudio de caso sobre la rotación de personal
- Creación y optimización de modelos
- Una introducción a la clasificación bayesiana ingenua
- Algoritmo de clasificación Naive Bayes - Evaluación
UNIDAD 8 - Clasificador de árbol de decisión · 11 leccionesAnálisis exploratorio de datos y algoritmos principales de ML - UNIDAD 8 - Clasificador de árbol de decisión
Análisis exploratorio de datos y algoritmos principales de ML - UNIDAD 8 - Clasificador de árbol de decisión
- Árbol de decisión: concepto del modelo
- Árbol de decisión: pasos de aprendizaje
- El índice de Gini y las medidas de entropía
- Poda y ajuste de hiperparámetros
- Estudio de caso del conjunto de datos Iris
- Optimización de modelos mediante búsqueda por cuadrícula y validación cruzada
- Conclusión del curso «Análisis exploratorio de datos y algoritmos CORE de ML»
- Clasificador de árbol de decisión - Evaluación
- Árboles de decisiones
- Evaluación práctica del curso completo
- Evaluación completa del curso
UNIDAD 9 - Conjunto de bosques aleatorios · 8 leccionesAlgoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 9 - Conjunto de bosques aleatorios
Algoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 9 - Conjunto de bosques aleatorios
- Introducción al curso 'Algoritmos avanzados de ML y Aprendizaje no supervisado'
- Recursos de Especialización Completa
- Técnicas de ensamblaje Bagging y Random Forest
- Poda y optimización de los pasos del bosque aleatorio
- Creación de modelos y ajuste de hiperparámetros mediante validación cruzada con búsqueda por cuadrícula
- Continuación de la optimización
- Comprender los clasificadores de bosque aleatorio
- Conjunto de bosques aleatorios: evaluación
UNIDAD 10 - Máquinas de vectores de asistencia · 7 leccionesAlgoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 10 - Máquinas de vectores de asistencia
Algoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 10 - Máquinas de vectores de asistencia
- Conceptos básicos sobre las máquinas de vectores de soporte
- Métricas de las máquinas de vectores de soporte y SVM polinómica
- Proyecto 1: Máquinas de vectores de soporte
- Predicciones de las máquinas de vectores de soporte
- Máquina de vectores de soporte: clasificación de datos polinómicos
- Introducción a las máquinas de vectores de soporte (SVM)
- Máquina de vectores de soporte: evaluación
UNIDAD 11 - Reducción de dimensionalidad - Análisis de componentes principales (PCA) · 6 leccionesAlgoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 11 - Reducción de dimensionalidad - Análisis de componentes principales (PCA)
Algoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 11 - Reducción de dimensionalidad - Análisis de componentes principales (PCA)
- Análisis de componentes principales: conceptos
- Análisis de componentes principales - Cálculos 1
- Análisis de componentes principales - Cálculos 2
- Ejercicios prácticos de análisis de componentes principales
- Aplicación de la reducción de dimensionalidad con el PCA
- Reducción de dimensionalidad - Análisis de componentes principales (PCA) - Evaluación
UNIDAD 12 - Aprendizaje no supervisado mediante agrupación de K-means · 7 leccionesAlgoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 12 - Aprendizaje no supervisado mediante agrupación de K-means
Algoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 12 - Aprendizaje no supervisado mediante agrupación de K-means
- Aprendizaje no supervisado - Agrupación K-Mean
- Cálculo de la agrupación por K-meanas
- Optimización de la agrupación K-means
- K-Means: preparación de datos y modelización
- K-Means: optimización del modelo
- Una introducción al método de agrupamiento K-Means
- Aprendizaje no supervisado mediante agrupación K-means - Evaluación
UNIDAD 13 - Introducción al aprendizaje profundo · 5 leccionesAlgoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 13 - Introducción al aprendizaje profundo
Algoritmos avanzados de ML y Aprendizaje no supervisado - UNIDAD 13 - Introducción al aprendizaje profundo
- Introducción al aprendizaje profundo
- Conclusión del curso «Algoritmos avanzados de aprendizaje automático y aprendizaje no supervisado»
- Introducción al aprendizaje profundo - Evaluación
- Evaluación práctica del curso completo
- Evaluación completa del curso
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
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
13 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
19 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
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 Packt.
- Folio y QR verificables para compartirlo con quien te contrate.
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 13 unidades · 147 lecciones · 144 h
- 12 meses de acceso
- 19 cuestionarios de evaluación
- Certificado SEP incluido (sin costo), emitido por la SEP (Gob. del Estado de México) con folio verificable
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 Packt; 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.
