Profesional certificado en inteligencia artificial de CertNexus
Sea un profesional de la inteligencia artificial.
Certificado con validez SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 240 h
100% autodidacta
22 unidades
Nivel intermedio
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
La especialización Certified Artificial Intelligence Practitioner™ (CAIP) prepara a los alumnos para obtener una certificación validada por el sector que les diferenciará de otros candidatos a un puesto de trabajo y demostrará su competencia en los conceptos de Inteligencia artificial (IA) y Aprendizaje automático (ML) que se encuentran en CAIP. La IA y el ML se han convertido en una parte esencial del conjunto de herramientas para muchas organizaciones. Cuando se utilizan eficazmente, estas herramientas proporcionan información procesable que impulsa las decisiones críticas y permite a las organizaciones crear productos y servicios interesantes, nuevos e innovadores. Esta especialización le muestra cómo aplicar diversos enfoques y algoritmos para resolver problemas empresariales mediante IA y ML, seguir un flujo de trabajo metódico para desarrollar soluciones sólidas, utilizar herramientas de código abierto y listas para usar para desarrollar, probar e implementar dichas soluciones, y garantizar que protegen la privacidad de los usuarios. La especialización está diseñada para los profesionales de la ciencia de datos que entran en el campo de la Inteligencia artificial y preparará a los estudiantes para el examen de certificación CAIP. Su viaje a la certificación CAIP 1) Complete el Certificado de Coursera Certified Artificial Intelligence Practitioner Professional 2) Revise la versión actual del CAIP Exam Blueprint, disponible en CertNexus 3) Compre su cupón para el examen CAIP en la tienda CertNexus 4) Regístrese para su examen CAIP
- Conozca los problemas empresariales que la IA/ML puede resolver, así como las tecnologías específicas de IA/ML que pueden solucionarlos.
- Aprenda las tareas importantes que componen el flujo de trabajo, incluidos el análisis de datos y la formación de modelos, y sobre cómo pueden automatizarse las tareas de aprendizaje automático.
- Utilice algoritmos de ML para resolver los dos problemas supervisados más comunes: la regresión y la clasificación, y un problema no supervisado común: la agrupación.
- Explore los algoritmos avanzados utilizados tanto en el aprendizaje automático como en el aprendizaje profundo. Construya múltiples modelos para resolver problemas empresariales dentro de un flujo de trabajo.
Habilidades que desarrollarás
Evaluación de modelos
Ética de datos
Aprendizaje automático aplicado
Entrenamiento de modelos
Aprendizaje no supervisado
Redes neuronales convolucionales
Algoritmo de bosque aleatorio
Preprocesamiento de datos
Análisis de datos
Análisis de regresión
IA responsable
Redes neuronales recurrentes (RNNs)
Algoritmos de clasificación
Aprendizaje con árboles de decisión
Algoritmos de aprendizaje automático
Recopilación de datos
Aprendizaje profundo
Soluciones de negocio
Estrategias de aprendizaje
Registro
Temario
UNIDAD 1 - Aplicar la IA y el ML a los problemas empresariales · 27 leccionesResolver problemas empresariales con IA y aprendizaje automático - UNIDAD 1 - Aplicar la IA y el ML a los problemas empresariales
UNIDAD 1 - Aplicar la IA y el ML a los problemas empresariales · 27 lecciones
Resolver problemas empresariales con IA y aprendizaje automático - UNIDAD 1 - Aplicar la IA y el ML a los problemas empresariales
- CAIP Specializations Introducción
- Resolver problemas empresariales con IA y aprendizaje automático Introducción del curso
- Identificar las tecnologías emergentes basadas en datos Módulo Introducción
- Visión general
- Obtenga ayuda y conozca a otros alumnos. Únase a su comunidad
- La jerarquía de datos
- Grandes datos
- Minería de datos
- IA y ML aplicados en los negocios
- Problemas empresariales adecuados
- Retos de la IA/ML
- Identificar las aplicaciones empresariales adecuadas para la IA y el ML
- Modelo de aprendizaje automático
- Flujo de trabajo de aprendizaje automático
- Habilidades útiles
- Deriva conceptual y aprendizaje por transferencia
- Pautas para seguir el flujo de trabajo del aprendizaje automático
- Planificación del flujo de trabajo de aprendizaje automático
- Formulación del problema
- Enmarcar un problema de aprendizaje automático
- Diferencias entre la programación tradicional y el aprendizaje automático
- Diferencias entre aprendizaje supervisado y no supervisado
- Azar e incertidumbre
- Resultados del aprendizaje automático
- Pautas para formular un resultado de aprendizaje automático
- Selección de un resultado de aprendizaje automático
- Aplicación de la IA y el ML a los problemas empresariales
UNIDAD 2 - Seleccione las herramientas adecuadas · 12 leccionesResolver problemas empresariales con IA y aprendizaje automático - UNIDAD 2 - Seleccione las herramientas adecuadas
UNIDAD 2 - Seleccione las herramientas adecuadas · 12 lecciones
Resolver problemas empresariales con IA y aprendizaje automático - UNIDAD 2 - Seleccione las herramientas adecuadas
- Seleccionar las herramientas adecuadas Módulo Introducción
- Visión general
- Herramientas de IA de código abierto
- Herramientas propias de IA
- Cuestionario sobre herramientas de IA de código abierto y patentadas
- Nuevas herramientas y tecnologías
- Requisitos de hardware
- Plataformas GPU
- Plataformas en nube
- Pautas para configurar un conjunto de herramientas de aprendizaje automático
- Herramientas de aprendizaje automático
- Selección de las herramientas adecuadas
UNIDAD 3 - Promover la privacidad de los datos y las prácticas éticas · 26 leccionesResolver problemas empresariales con IA y aprendizaje automático - UNIDAD 3 - Promover la privacidad de los datos y las prácticas éticas
UNIDAD 3 - Promover la privacidad de los datos y las prácticas éticas · 26 lecciones
Resolver problemas empresariales con IA y aprendizaje automático - UNIDAD 3 - Promover la privacidad de los datos y las prácticas éticas
- Promover la privacidad de los datos y las prácticas éticas Módulo Introducción
- Visión general
- Protección de datos
- Leyes de protección de datos
- Privacidad por diseño
- Los principios de privacidad de los datos en contradicción con el aprendizaje automático
- Cumplimiento de las leyes y normas sobre privacidad de datos
- Cumplimiento de las leyes y normas aplicables
- Intercambio de datos y privacidad
- El reto de los grandes datos
- Directrices para proteger la privacidad de los datos
- Proteger la privacidad de los datos
- Nociones preconcebidas
- El desafío de la caja negra
- Prejuicios y discriminación
- Ética en PNL
- Uso de datos para fines no previstos
- Directrices para promover prácticas éticas
- Promover prácticas éticas
- Privacidad y gobernanza de datos para IA y ML
- Propiedad intelectual
- Principios humanitarios
- Principios de IA de Asilomar
- Directrices para establecer políticas que cubran la privacidad de los datos y la ética
- Establecer políticas que cubran la privacidad de los datos y la ética
- Promover la privacidad de los datos y las prácticas éticas
UNIDAD 4 - Aplique lo que ha aprendido · 1 leccionesResolver problemas empresariales con IA y aprendizaje automático - UNIDAD 4 - Aplique lo que ha aprendido
UNIDAD 4 - Aplique lo que ha aprendido · 1 lecciones
Resolver problemas empresariales con IA y aprendizaje automático - UNIDAD 4 - Aplique lo que ha aprendido
- Esquema del proyecto de IA
UNIDAD 5 - Recoger el conjunto de datos · 17 leccionesSeguir un flujo de trabajo de aprendizaje automático - UNIDAD 5 - Recoger el conjunto de datos
UNIDAD 5 - Recoger el conjunto de datos · 17 lecciones
Seguir un flujo de trabajo de aprendizaje automático - UNIDAD 5 - Recoger el conjunto de datos
- Seguir un flujo de trabajo de aprendizaje automático Introducción del curso
- CAIP Specializations Introducción
- Recoger el conjunto de datos Módulo Introducción
- Visión general
- Obtenga ayuda y conozca a otros alumnos. Únase a su comunidad
- Conjuntos de datos de aprendizaje automático
- Terminología de las estructuras de datos
- Cuestiones de calidad de los datos
- Fuentes de datos
- Conjuntos de datos abiertos
- Cuestionario sobre conjuntos de datos abiertos
- Pautas para seleccionar un conjunto de datos de aprendizaje automático
- Examinar la estructura de un conjunto de datos de aprendizaje automático
- ETL y tuberías de aprendizaje automático
- Pautas para cargar un conjunto de datos
- Carga del conjunto de datos
- Recopilación del conjunto de datos
UNIDAD 6 - Analizar el conjunto de datos · 24 leccionesSeguir un flujo de trabajo de aprendizaje automático - UNIDAD 6 - Analizar el conjunto de datos
UNIDAD 6 - Analizar el conjunto de datos · 24 lecciones
Seguir un flujo de trabajo de aprendizaje automático - UNIDAD 6 - Analizar el conjunto de datos
- Módulo Analizar el conjunto de datos Introducción
- Visión general
- Contenido y formato del conjunto de datos
- Pautas para explorar la estructura de un conjunto de datos
- Exploración de la estructura general del conjunto de datos
- Distribuciones
- Análisis estadístico descriptivo
- Tendencia central
- Variabilidad y alcance
- Varianza y desviación típica
- Skewness
- Curtosis
- Momentos estadísticos
- Coeficiente de correlación
- Pautas para analizar un conjunto de datos
- Análisis de un conjunto de datos mediante medidas estadísticas
- Visualizaciones
- Histograma
- Diagrama de caja
- Diagrama de dispersión
- Mapas
- Directrices para el uso de visualizaciones en el análisis de datos
- Análisis de un conjunto de datos mediante visualizaciones
- Análisis del conjunto de datos
UNIDAD 7 - Preparar el conjunto de datos · 16 leccionesSeguir un flujo de trabajo de aprendizaje automático - UNIDAD 7 - Preparar el conjunto de datos
UNIDAD 7 - Preparar el conjunto de datos · 16 lecciones
Seguir un flujo de trabajo de aprendizaje automático - UNIDAD 7 - Preparar el conjunto de datos
- Preparar el conjunto de datos Módulo Introducción
- Visión general
- Preparación de datos
- Tipos de datos
- Operaciones que puede realizar con distintos tipos de datos
- Cuestionario sobre tipos de datos
- Variables continuas frente a variables discretas
- Codificación de datos
- Reducción de la dimensionalidad
- Valores perdidos y duplicados
- Normalización y estandarización
- Resumen
- Método de retención
- Directrices para preparar los datos de formación y ensayo
- Dividir los conjuntos de datos de entrenamiento y prueba y las etiquetas
- Preparación del conjunto de datos
UNIDAD 8 - Configurar y entrenar un modelo · 21 leccionesSeguir un flujo de trabajo de aprendizaje automático - UNIDAD 8 - Configurar y entrenar un modelo
UNIDAD 8 - Configurar y entrenar un modelo · 21 lecciones
Seguir un flujo de trabajo de aprendizaje automático - UNIDAD 8 - Configurar y entrenar un modelo
- Configurar y entrenar un módulo modelo Introducción
- Visión general
- Diseño de experimentos
- Pruebas de hipótesis
- valor p e intervalo de confianza
- Algoritmos de aprendizaje automático
- Pautas para configurar un modelo de aprendizaje automático
- Configuración de un modelo de aprendizaje automático
- Ajuste iterativo
- Prejuicios y generalizaciones
- Validación cruzada
- Tratar con valores atípicos
- Transformación de funciones
- Escalado y normalización de características
- El equilibrio entre sesgo y varianza
- Parámetros
- Regularización
- Eficacia de la formación
- Pautas para entrenar y afinar el modelo
- Reequipamiento y prueba del modelo
- Configuración y entrenamiento del modelo
UNIDAD 9 - Finalizar el modelo · 14 leccionesSeguir un flujo de trabajo de aprendizaje automático - UNIDAD 9 - Finalizar el modelo
UNIDAD 9 - Finalizar el modelo · 14 lecciones
Seguir un flujo de trabajo de aprendizaje automático - UNIDAD 9 - Finalizar el modelo
- Finalizar el módulo modelo Introducción
- Visión general
- Conozca a su público
- Utilice la visualización para presentar sus conclusiones
- Prepare una presentación sobre aprendizaje automático
- Comunique sus conclusiones con claridad
- Traducir los resultados en acciones empresariales
- Poner un modelo en producción
- Automatización de tuberías
- Pruebas y mantenimiento
- Aplicaciones orientadas al consumidor
- Directrices para incorporar el aprendizaje automático a una solución a largo plazo
- Incorporar un modelo a una solución a largo plazo
- Finalizar un modelo
UNIDAD 10 - Aplique lo que ha aprendido · 2 leccionesSeguir un flujo de trabajo de aprendizaje automático - UNIDAD 10 - Aplique lo que ha aprendido
UNIDAD 10 - Aplique lo que ha aprendido · 2 lecciones
Seguir un flujo de trabajo de aprendizaje automático - UNIDAD 10 - Aplique lo que ha aprendido
- Proyecto del curso 2
- Siguiendo un flujo de trabajo de aprendizaje automático para predecir la demanda de alquiler de bicicletas
UNIDAD 11 - Construir modelos de regresión lineal utilizando el álgebra lineal · 18 leccionesConstruir modelos de regresión, clasificación y agrupación - UNIDAD 11 - Construir modelos de regresión lineal utilizando el álgebra lineal
UNIDAD 11 - Construir modelos de regresión lineal utilizando el álgebra lineal · 18 lecciones
Construir modelos de regresión, clasificación y agrupación - UNIDAD 11 - Construir modelos de regresión lineal utilizando el álgebra lineal
- Introducción al curso: Construir modelos de regresión, clasificación y agrupación
- Construir modelos de regresión lineal utilizando el álgebra lineal Módulo Introducción
- Visión general
- Obtenga ayuda y conozca a otros alumnos. Únase a su comunidad
- Regresión lineal
- Ecuación lineal
- Ejemplo de ajuste de una línea recta a los datos
- Regresión lineal en el aprendizaje automático
- Matrices en regresión lineal
- Ecuación normal
- Modelos lineales avanzados
- Función de costes
- MSE y MAE
- Coeficiente de determinación
- Deficiencias de la ecuación normal
- Pautas para construir un modelo de regresión utilizando el álgebra lineal
- Construir un modelo de regresión utilizando el álgebra lineal
- Construcción de modelos de regresión lineal mediante álgebra lineal
UNIDAD 12 - Construir modelos de regresión lineal regularizados e iterativos · 14 leccionesConstruir modelos de regresión, clasificación y agrupación - UNIDAD 12 - Construir modelos de regresión lineal regularizados e iterativos
UNIDAD 12 - Construir modelos de regresión lineal regularizados e iterativos · 14 lecciones
Construir modelos de regresión, clasificación y agrupación - UNIDAD 12 - Construir modelos de regresión lineal regularizados e iterativos
- Construir modelos de regresión lineal regularizados e iterativos Módulo Introducción
- Visión general
- Técnicas de regularización
- Regresión Ridge
- Regresión Lasso
- Regresión de la red elástica
- Pautas para construir un modelo de regresión lineal regularizado
- Construcción de un modelo de regresión lineal regularizado
- Modelos iterativos
- Descenso gradual
- Técnicas de descenso gradiente
- Pautas para construir un modelo de regresión lineal iterativo
- Construcción de un modelo de regresión lineal iterativo
- Construcción de modelos de regresión lineal regularizados e iterativos
UNIDAD 13 - Entrenar modelos de clasificación · 15 leccionesConstruir modelos de regresión, clasificación y agrupación - UNIDAD 13 - Entrenar modelos de clasificación
UNIDAD 13 - Entrenar modelos de clasificación · 15 lecciones
Construir modelos de regresión, clasificación y agrupación - UNIDAD 13 - Entrenar modelos de clasificación
- Módulo de modelos de clasificación de trenes Introducción
- Visión general
- Deficiencias de la regresión lineal
- Regresión logística
- Límite de decisión
- Función de coste para la regresión logística
- vecino más próximo k (k-NN)
- Regresión logística frente a k-NN
- Directrices para el entrenamiento de modelos de clasificación binaria
- Entrenamiento de modelos de clasificación binaria
- Clasificación multietiqueta y multiclase
- Regresión logística multinomial
- Directrices para el entrenamiento de modelos de clasificación multiclase
- Entrenamiento de un modelo de clasificación multiclase
- Entrenamiento de modelos de clasificación
UNIDAD 14 - Evaluar y ajustar modelos de clasificación · 22 leccionesConstruir modelos de regresión, clasificación y agrupación - UNIDAD 14 - Evaluar y ajustar modelos de clasificación
UNIDAD 14 - Evaluar y ajustar modelos de clasificación · 22 lecciones
Construir modelos de regresión, clasificación y agrupación - UNIDAD 14 - Evaluar y ajustar modelos de clasificación
- Evaluar y ajustar modelos de clasificación Módulo Introducción
- Visión general
- Rendimiento del modelo
- Matriz de confusión
- Medición del rendimiento del clasificador
- Exactitud
- Precisión
- Número de respuestas pertinentes
- Puntuación F₁
- Curva de características operativas del receptor (ROC)
- Umbrales y AUC
- Curva de precisión-recuperación (PRC)
- Directrices para evaluar los modelos de clasificación
- Evaluación de un modelo de clasificación
- Optimización de hiperparámetros
- Búsqueda en cuadrícula
- Búsqueda aleatoria
- Optimización bayesiana
- Algoritmos genéticos
- Directrices para ajustar los modelos de clasificación
- Ajuste de un modelo de clasificación
- Evaluación y ajuste de modelos de clasificación
UNIDAD 15 - Construir modelos de agrupación · 16 leccionesConstruir modelos de regresión, clasificación y agrupación - UNIDAD 15 - Construir modelos de agrupación
UNIDAD 15 - Construir modelos de agrupación · 16 lecciones
Construir modelos de regresión, clasificación y agrupación - UNIDAD 15 - Construir modelos de agrupación
- Módulo Construir modelos de agrupación Introducción
- Visión general
- agrupación k-Means
- Optimización global frente a optimización local
- Punta del codo
- Suma de cuadrados de conglomerados
- Análisis de siluetas
- Métodos adicionales de análisis de conglomerados
- Pautas para construir un modelo de agrupación k-Means
- Creación de un modelo de agrupación k-Means
- deficiencias de la agrupación k-Means
- Agrupación jerárquica
- Dendrograma
- Directrices para construir un modelo de agrupación jerárquica
- Construir un modelo de agrupación jerárquica
- Creación de modelos de agrupación
UNIDAD 16 - Aplique lo que ha aprendido · 2 leccionesConstruir modelos de regresión, clasificación y agrupación - UNIDAD 16 - Aplique lo que ha aprendido
UNIDAD 16 - Aplique lo que ha aprendido · 2 lecciones
Construir modelos de regresión, clasificación y agrupación - UNIDAD 16 - Aplique lo que ha aprendido
- Proyecto del curso 3
- Construir un modelo de regresión, clasificación o agrupación
UNIDAD 17 - Construir árboles de decisión y bosques aleatorios · 24 leccionesConstruya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 17 - Construir árboles de decisión y bosques aleatorios
UNIDAD 17 - Construir árboles de decisión y bosques aleatorios · 24 lecciones
Construya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 17 - Construir árboles de decisión y bosques aleatorios
- Construir árboles de decisión, SVM y redes neuronales artificiales Introducción al curso
- CAIP Specializations Introducción
- Construir árboles de decisión y bosques aleatorios Módulo Introducción
- Visión general
- Obtenga ayuda y conozca a otros alumnos. Únase a su comunidad
- Árbol de decisión
- Árbol de clasificación y regresión (CART)
- Ejemplo de índice Gini
- Hiperparámetros CART
- Poda
- C4.5
- Determinación de contenedores
- Codificación en caliente
- Comparación del algoritmo del árbol de decisión
- Árboles de decisión comparados con otros algoritmos
- Directrices para construir un modelo de árbol de decisión
- Construir un modelo de árbol de decisión
- Aprendizaje por conjuntos
- Random Forest
- Hiperparámetros del bosque aleatorio
- Ventajas de la selección de características
- Pautas para construir un modelo de bosque aleatorio
- Construcción de un modelo de bosque aleatorio
- Construcción de árboles de decisión y bosques aleatorios
UNIDAD 18 - Construir máquinas de vectores soporte (SVM) · 14 leccionesConstruya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 18 - Construir máquinas de vectores soporte (SVM)
UNIDAD 18 - Construir máquinas de vectores soporte (SVM) · 14 lecciones
Construya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 18 - Construir máquinas de vectores soporte (SVM)
- Construir máquinas de vectores soporte (SVM) Módulo Introducción
- Visión general
- Máquinas de vectores soporte (SVM)
- SVM para la clasificación lineal
- Clasificación de margen duro y margen blando
- SVM para la clasificación no lineal
- Truco del núcleo
- Métodos de núcleo
- Pautas para construir modelos SVM de clasificación
- Construcción de un modelo SVM para la clasificación
- SVM para regresión
- Pautas para construir modelos SVM de regresión
- Creación de un modelo SVM para la regresión
- Construcción de SVM
UNIDAD 19 - Construir perceptrones multicapa (MLP) · 12 leccionesConstruya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 19 - Construir perceptrones multicapa (MLP)
UNIDAD 19 - Construir perceptrones multicapa (MLP) · 12 lecciones
Construya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 19 - Construir perceptrones multicapa (MLP)
- Módulo Construir Perceptrones Multicapa (MLP) Introducción
- Visión general
- Red neuronal artificial (RNA)
- Perceptrón
- Entrenamiento del perceptrón
- Perceptrón multicapa (MLP)
- Capas ANN
- Retropropagación
- Funciones de activación
- Directrices para la creación de MLP
- Construir una MLP
- Creación de MLP
UNIDAD 20 - Construir redes neuronales convolucionales y recurrentes (CNN/RNN) · 17 leccionesConstruya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 20 - Construir redes neuronales convolucionales y recurrentes (CNN/RNN)
UNIDAD 20 - Construir redes neuronales convolucionales y recurrentes (CNN/RNN) · 17 lecciones
Construya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 20 - Construir redes neuronales convolucionales y recurrentes (CNN/RNN)
- Módulo Construir redes neuronales convolucionales y recurrentes (CNN/RNN) Introducción
- Visión general
- Red neuronal convolucional (CNN)
- Filtros CNN
- Acolchado y zancada
- CNN Arquitectura
- Red Generativa Adversarial (GAN)
- Directrices para construir CNN
- Construir una CNN
- Red neuronal recurrente (RNN)
- Célula de memoria
- Entrenamiento RNN
- Célula de memoria a largo plazo (LSTM)
- Integración
- Directrices para construir RNN
- Construir una RNN
- Construcción de CNNs y RNNs
UNIDAD 21 - Aplique lo que ha aprendido · 2 leccionesConstruya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 21 - Aplique lo que ha aprendido
UNIDAD 21 - Aplique lo que ha aprendido · 2 lecciones
Construya árboles de decisión, SVM y redes neuronales artificiales - UNIDAD 21 - Aplique lo que ha aprendido
- Proyecto del curso 4
- Construir una CNN para clasificar caracteres manuscritos
UNIDAD 22 - Preparación para su examen de certificación CertNexus · 15 leccionesPreparación para su examen de certificación CertNexus - UNIDAD 22 - Preparación para su examen de certificación CertNexus
UNIDAD 22 - Preparación para su examen de certificación CertNexus · 15 lecciones
Preparación para su examen de certificación CertNexus - UNIDAD 22 - Preparación para su examen de certificación CertNexus
- Bienvenida al curso y consejos para el éxito
- El valor de las certificaciones
- Tipos de credenciales
- Certificación vs Certificado vs Licencia
- ¿Qué credencial es la adecuada para usted?
- Obtenga ayuda y conozca a otros alumnos. Únase a su comunidad
- Cómo utilizar el plan de examen para preparar su examen
- Muestras de modelos de examen
- Programar su examen
- CERTNEXUS ACUERDO DE CANDIDATO
- Prepárese para un examen en línea en Pearson OnVUE
- Prepárese para un examen presencial en un centro de pruebas PearsonVUE
- Al finalizar su examen (aprobado/suspendido)
- Colocar su insignia acreditativa
- Evaluación sumativa
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
22 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
21 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 CertNexus.
- 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.
- 22 unidades · 331 lecciones · 240 h
- 12 meses de acceso
- 21 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 CertNexus; 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.
