Python para Machine Learning - Online*

El curso online Python para Machine Learning tiene como propósito enseñar técnicas de Machine Learning altamente utilizadas en contextos aplicados tales como: retail, industria bancaria y ciencias como la astronomía. Para ello, se utilizará el lenguaje de programación Python acompañado de librerías especializadas para manejo de datos e implementación de modelos. Este curso está dirigido a profesionales que tengan un dominio intermedio del lenguaje Python y que estén altamente motivados para formarse en el área de Ciencia de Datos.


Descripción

Python se ha convertido en una de las herramientas fundamentales para los profesionales de Machine Learning. En este contexto, el saber usar librerías como scikit-learn, scipy, numpy, pandas o keras, constituye una competencia básica para el desarrollo de proyectos de este tipo en el entorno empresarial. Este curso busca entregar una base de conocimiento de los fundamentos que soportan estas potentes metodologías y herramientas, potenciando significativamente al participante para enfrentar desafíos que involucran inteligencia artificial y dándole así una ventaja competitiva en el mercado laboral.

A través de este curso, los alumnos aprenderán los conceptos fundamentales asociados de Machine Learning tanto en su versión supervisada como no supervisada. Dicho aprendizaje será acompañado mediante un conjunto de librerías de Python, las que permitirán pasar de la teoría a la implementación de forma amigable, y actualizada a las tecnologías utilizadas en el mercado.

La metodología de enseñanza y aprendizaje para este curso online consiste en técnicas metodológicas activas, donde el participante puede interactuar con sus pares y profesor-tutor a través de los recursos tecnológicos que provee la plataforma educativa virtual provista para el curso.

Dirigido a
  • Profesionales que necesiten incrementar sus competencias respecto a modelos de Machine Learning.
  • Interesados en el área de Ciencia de Datos que deseen adquirir habilidades poner en producción metodologías de Machine Learning a través de Python.
Prerrequisitos
  1. Es obligatorio contar con conocimientos de programación, específicamente en lenguaje Python. Para cumplir con este requisito será necesario cumplir con una de estas alternativas:
  • Acreditar por medio de algún certificado la realización previa de algún curso de Python, ya sea de pregrado, postgrado o capacitación. Ejemplos de cursos de capacitación:

▪                 MOOC “Introducción a la Programación en Python I: Aprendiendo a programar con Python”, disponible en el siguiente link: https://www.coursera.org/learn/aprendiendo-programar-python.

▪                 Curso “Herramientas de programación en Python para procesamiento de datos”, disponible en el siguiente link: https://teleduc.uc.cl/curso/herramientas-programacion-python-procesamiento-datos/

▪                 Curso “Herramientas avanzadas de programación en Python para procesamiento de datos”, disponible en el siguiente link: https://teleduc.uc.cl/curso/herramientas-avanzadas-de-programacion-en-python-para-procesamiento-de-datos/

  • Aprobar una prueba de diagnóstico diseñada por el Jefe de Programa del curso.
  1. Es deseable contar con algún grado de conocimiento matemático (algebra lineal, estadística básica y cálculo).
Objetivo de aprendizaje
  • Comprender el funcionamiento y características de diferentes modelos de Machine Learning.
  • Evaluar factibilidad de implementación y desempeño de estrategias de Machine Learning en diferentes contextos.
  • Implementar modelos de Machine Learning utilizando el lenguaje de programación Python.
Desglose de cursos

DESGLOSE
Horas cronológicas: 27; Créditos: 5

Resultados del Aprendizaje

Al finalizar el curso el alumno será capaz de:

  • Identificar, procesar y visualizar diferentes tipos de variables en una base de datos utilizando librerías de Python.
  • Diseñar e implementar modelos de aprendizaje supervisado basados en regresiones.
  • Comprender aspectos formales de modelos de aprendizaje supervisado tradicionales, experimentando y comparando su rendimiento.
  • Reconocer y emplear modelos de redes neuronales artificiales básicas.
  • Comprender, implementar e interpretar modelos de aprendizaje no supervisado a través de librerías de Python.

Contenidos:

-                 Conceptos fundamentales de Machine Learning.

-                 Análisis, procesamiento y visualización de datos a través de Python.

-                 Algoritmos de aprendizaje supervisado en Python utilizando scikit-learn.

  • Regresión Lineal.
  • Regresión Logística.
  • Regresiones Polinomiales.
  • Regresiones con penalización.
  • Árboles de Decisión.
  • Random Forest.
  • Random Forest para regresiones.
  • Naive Bayes.
  • Vecino más cercano.
  • Redes Neuronales.
  • Selección de modelos.

-                 Algoritmos de aprendizaje no supervisado en Python utilizando scikit-learn.

  • K-means.
  • Mezcla de Gaussianas.
  • Cluster Jerárquico.
  • Autoencoders.

Metodología de enseñanza y aprendizaje:

La modalidad de capacitación es e-learning asincrónica, por lo que los participantes accederán a una plataforma educativa virtual (LMS). Las actividades se desarrollan en forma remota, lo que permite entregar flexibilidad en los horarios, de manera que cada participante pueda distribuir su tiempo y ser autónomo en su proceso de aprendizaje. No obstante, el proceso de enseñanza-aprendizaje se acompañará con un tutor, quien tendrá un rol de mediador y facilitador, ofreciendo apoyo a los participantes en aspectos técnicos y también administrativos durante la actividad de capacitación.

Respecto a las estrategias de enseñanza - aprendizaje, se utilizarán videoclases, screencast y clases interactivas para la presentación de contenidos y actividades de aplicación que serán desarrolladas a partir de cuestionarios y tareas, dirigidas a que los participantes resuelver problemas/situaciones aplicando los conocimientos aprendidos y comprobar la comprensión de los contenidos a través de test automáticos.

Los participantes también contarán con foros abiertos de consulta, como apoyo a su proceso de aprendizaje, donde podrán interactuar con sus pares y tutor.

Evaluación de los aprendizajes:

  • Tres pruebas on-line, todas de igual ponderación                                      (40% en total)
  • Tres actividades de aplicación, la tercera con doble ponderación          (60% en total) 

BIBLIOGRAFÍA

  • Data Science from Scratch: First Principles with Python, Joel Grus, O´Reilly 2015.
  • Introduction to Machine Learning with Python, Andreas C. Müller & Sarah Guido, 2016.
  • Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, Wes McKinney, O"Reilly 2017.
  • Advanced Data Analytics Using Python,Sayan Mukhopadhyay, Apress, 2018.
Equipo Docente

JEFE DE PROGRAMA
Jaime Navón Cohen
Ph.D. Computer Science, University of North Carolina at Chapel Hill. Master of Science, Technion-Israel Institute of Technology. Ingeniero Civil Electricista, Pontificia Universidad Católica de Chile. Profesor Asociado del Departamento de Ciencia de la Computación, Pontificia Universidad Católica de Chile.

EQUIPO DOCENTE
M.Sc. Francisco Pérez Galarce
Ph.D. candidate in Computer Science, Pontificia Universidad Católica de Chile. Magíster en Gestión de Operaciones e Ingeniero Civil Industrial, Universidad de Talca.

Ignacio Becker
Ph.D. candidate in Computer Science, Pontificia Universidad Católica de Chile. Licenciado en Astronomía, Pontificia Universidad Católica de Chile.

* EP (Educación Profesional) de la Escuela de Ingeniería se reserva el derecho de remplazar, en caso de fuerza mayor, a él o los profesores indicados en este programa.

Requisitos de aprobación
  • Calificación mínima del curso 4,0 en su promedio ponderado.

En el caso de los programas en modalidad en línea, los estudiantes tendrán que cumplir con la calificación mínima de 4.0 y con los requisitos establecidos para cada programa.
Los participantes que aprueben las exigencias del programa recibirán un certificado de aprobación digital otorgado por la Pontificia Universidad Católica de Chile.
El participante que no cumpla con la exigencia reprueba automáticamente sin posibilidad de ningún tipo de certificación.

Proceso de Admisión

Las personas interesadas deberán enviar los documentos que se detallan más abajo al correo programas@ing.puc.cl.

  • Fotocopia Carnet de Identidad.

El postular no asegura el cupo, una vez aceptado en el programa, se debe cancelar o documentar el valor, para estar matriculado.
VACANTES: 50
“No se tramitarán postulaciones incompletas”.
El Programa se reserva el derecho de suspender la realización del curso si no cuenta con el mínimo de alumnos requeridos. En tal caso se devuelve a los alumnos matriculados la totalidad del dinero en un plazo aproximado de 10 días hábiles.

A las personas matriculadas que se retiren de la actividad antes de la fecha de inicio, se les devolverá el total pagado menos el 10% del total del arancel.

imagen
SOLICITAR MÁS INFORMACIÓN
POSTULA AQUÍ