Módulos del programa

9 Módulos

Módulo 1. Introducción al curso

Obtén una visión general de la estructura del curso, sus objetivos de aprendizaje y el proyecto final. Conoce cómo se conectan la teoría y la práctica y cómo cada módulo aporta al desarrollo de habilidades de aprendizaje supervisado.

Módulo 2. Evaluación inicial

Evalúa tu comprensión actual del aprendizaje supervisado mediante una prueba diagnóstica. Identificarás fortalezas y oportunidades de mejora y recibirás recomendaciones personalizadas para orientar tu camino de aprendizaje.

Módulo 3. Codificación y estandarización de datos

Explora las técnicas esenciales de preparación de características que se aplican antes de entrenar modelos supervisados. Aprenderás distintos métodos de codificación categórica y cuándo conviene usar cada uno.

‍

Outcomes:

Aplicar One-Hot Encoding para entrenar un modelo de regresión logística.
Evitar el dummy variable trap aplicando estrategias de codificación adecuadas.
Comparar métodos de codificación y elegir el más apropiado para tu conjunto de datos.

‍

Herramientas que practicarás:

Python • Scikit-learn • Jupyter Notebook

Módulo 4. Métricas de clasificación

Aprende a evaluar modelos de clasificación usando métricas ampliamente empleadas y a interpretar qué revela cada una sobre el desempeño del modelo.

‍

Outcomes:

Calcular e interpretar verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos.
Usar exactitud (accuracy), precisión y recall, y comprender sus compensaciones.
Identificar problemas de balance de clases y seleccionar la métrica adecuada para cada caso.

‍

Herramientas que practicarás:

Python • Scikit-learn • Jupyter Notebook

Módulo 5. Clasificación desbalanceada

Profundiza en técnicas para manejar clases desbalanceadas y mejorar la equidad y el rendimiento del modelo en conjuntos de datos reales.

‍

Outcomes:

Ajustar clases desbalanceadas para mejorar el comportamiento del modelo en clases minoritarias.
Aplicar upsampling y downsampling para balancear los datos.
Ajustar y evaluar umbrales de clasificación para mejorar predicciones.
Calcular el AUC y comparar modelos usando la curva ROC.

‍

Herramientas que practicarás:

Python • Scikit-learn • Jupyter Notebook

Módulo 6. Métricas de regresión

Aprende a evaluar modelos de regresión utilizando las métricas de error y precisión más empleadas para predicciones continuas.

‍

Outcomes:

Preparar conjuntos de datos y aplicar métricas a tareas de regresión.
Calcular MSE y comprender su papel en la medición del error.
Calcular e interpretar el coeficiente de determinación (R²).
Evaluar la precisión del modelo usando MAE y comprender cómo la dispersión afecta las métricas.

‍

Herramientas que practicarás:

Python • Scikit-learn • Jupyter Notebook

Módulo 7. Projecto final

Aplica todos los conceptos del curso en un caso de negocio real: predecir la fuga de clientes (churn) en un banco a partir de datos históricos de comportamiento.

‍

Outcomes:

Preparar y limpiar un dataset para un problema de clasificación.
Entrenar y comparar modelos para predecir churn.
Evaluar resultados usando métricas adecuadas para datos desbalanceados.
Documentar tu razonamiento y entregar una recomendación basada en datos.

‍

Herramientas que practicarás:

Python • Scikit-learn • Jupyter Notebook • Dataset del proyecto

Módulo 8. Evaluación final

En este módulo completarás la prueba final: una oportunidad para ver cuánto avanzaste, comparar tus resultados con la evaluación inicial y tener una visión clara de tu progreso.

Módulo 9. Conclusión

Este módulo final te ofrece un breve repaso de todo lo aprendido y un espacio para compartir tu retroalimentación, que nos ayuda a mejorar la experiencia de aprendizaje.

Gestión de cookies

Usamos cookies para brindar la mejor experiencia en el sitio. Obtenga más información

Aceptar todo Rechazar todo Administrar las cookies

Configuración de cookies

Las cookies necesarias para el correcto funcionamiento del sitio están siempre habilitadas. Otras cookies son configurables.

Cookies necesarias

Siempre activo

Por lo general, solo se configuran en respuesta a las acciones de los visitantes que equivalen a una solicitud de servicios, como establecer preferencias de privacidad, iniciar sesión o completar formularios. Puedes configurar tu navegador para que bloquee estas cookies o te avise sobre ellas, pero esto puede provocar que algunas partes del sitio web no funcionen correctamente.

Ver cookies

Habilitado

Discapacitado

Cookies analíticas

Estas cookies se utilizan para recopilar datos analíticos sobre cómo interactúa con nuestros Servicios para que podamos mejorar su rendimiento en consecuencia. Nos ayudan a saber qué páginas son las más y las menos populares y a ver cómo se mueven los visitantes por el sitio. Si se desactivan estas cookies, no sabremos cuándo un usuario ha visitado nuestro sitio web ni podremos supervisar el rendimiento del sitio web.

Ver cookies

Habilitado

Discapacitado

Cookies de marketing

Las cookies de marketing son necesarias para rastrear a los visitantes en el sitio web y mostrar anuncios que sean relevantes.

Ver cookies

¡Gracias! ¡Su presentación ha sido recibida!

¡Uy! Algo salió mal al enviar el formulario.

Schedule a Consultation

Aprendizaje Supervisado

Qué ofrece el programa

¿A quién está dirigido?

Requisitos sugeridos

Módulos del programa

¡Contáctanos!