Curso Machine Learning para Ciencia de Datos

Conocer cómo entrenar modelos de regresión, uso de software R o cómo construir árboles de clasificación/regresión es crucial en los procesos de transformación digital de las organizaciones.

MODALIDAD Y RITMO

Modalidad: 100% Online

Ritmo:
Nuestros cursos combinan flexibilidad y estructura: duran de 6 a 8 semanas y cada módulo se abre cada 5 días, permitiendo que avances paso a paso de manera constante y sin interrumpir tus actividades diarias*.

* Restricciones aplican a cursos pagados con franquicia tributaria SENCE.

PRECIO Y FORMA DE PAGO

Arancel con 25% dto.
~~CLP $514.000~~ | CLP $385.500

Formas de Pago

Nacional:
Tarjeta de débito
Tarjeta de crédito (3, 6 y 12 cuotas sin interés)
Servipag
Franquicia Tributaria SENCE

Internacional:
Paypal
Flywire

DESCUENTOS

SENCE

Capacitación SENCE 100% Online.

Forma a tu equipo sin costo, con cursos flexibles y el respaldo académico de la UAI.

¿Qué es SENCE?

Cobertura completa de técnicas supervisadas y no supervisadas

Incluye regularización, Naive Bayes, KNN, árboles, SVM, ensambles, clustering jerárquico, K-means, DBScan y reglas de asociación.

Enfoque práctico con implementación directa en R sobre datos reales

Cada técnica se aplica en laboratorios guiados usando paquetes y flujos completos de análisis en R.

Formación sólida en fundamentos estadísticos del machine learning

Explica sesgovarianza, validación cruzada, evaluación de modelos y métricas para evitar sobreajuste y mejorar predicción.

Orientación aplicada para múltiples dominios de negocio

Los algoritmos se presentan desde su utilidad real: clasificación de clientes, predicción, segmentación y reglas de comportamiento.

Entrenamiento integral del flujo de trabajo de ciencia de datos

Incluye preprocesamiento, análisis exploratorio, entrenamiento, validación, interpretación y comparación de modelos.

Flexibilidad y acceso remoto

Clases 100% online, permitiendo compatibilizar estudios con trabajo y vida personal, con recursos digitales y acompañamiento académico.

Información del Programa

Bienvenida

Bienvenido al curso “Machine Learning para Ciencia de Datos” de la Universidad Adolfo Ibáñez, un programa diseñado para fortalecer tus competencias en el uso de algoritmos de aprendizaje automático aplicados a problemas reales, utilizando el lenguaje de programación R.

En un entorno digital donde los datos se han convertido en uno de los activos más valiosos para las organizaciones, el dominio de técnicas de machine learning es clave para generar valor, tomar decisiones informadas y man...

Objetivos

Al finalizar el programa, los alumnos serán capaces de:
• Aplicar técnicas de preprocesamiento y análisis exploratorio de datos como paso previo al desarrollo de un algoritmo de machine learning
• Entrenar y evaluar la calidad predictiva de los algoritmos de aprendizaje supervisados en distintos dominios de aplicación
• Aplicar técnicas de aprendizaje no supervisado usando datos reales
• Manejar R para realizar un preprocesamiento y análisis exploratorio de datos como paso previo...

¿A quién va dirigido?

El curso está dirigido a profesionales que buscan aprender técnicas supervisadas y no supervisadas de machine learning.

Se sugiere tener conocimientos introductorios a la temática, o bien haber realizado nuestro curso Introducción al Data Science.

Metodología

La metodología de UAI Online contempla unidades de contenido 100% en línea, asincrónicas, de aprendizaje individual. El curso está compuesto por una secuencia de unidades que se habilitan paulatinamente. Cada unidad está compuesta por videos expositivos, lecturas obligatorias y complementarias, resumen, glosario, un control, una actividad aplicada y una actividad de desarrollo. En la actividad de desarrollo, el participante deberá contestar una pregunta abierta utilizando el material dispuesto e...

Unidad 1 - Métodos de Regularización

Aprendizaje Esperado:
• Conocer y comprender métodos de regularización en modelos de regresión.
• Entrenar modelos de regresión con técnicas regularización para producir modelos más simples que generalizan mejor.
• Aplicar el software R para entrenar modelos de regresión con regularización usando datos reales.

Videos de Contenido:
• Clase:
¤ Introducción.
¤ Trade-off sesgo-varianza. Método Ridge.
¤ Métodos Lasso y Elastic Net.
¤ ¿Cómo elegimos el parámetro que regula la importancia de cada penalización?
• Laboratorio:
¤ Paquetes del software R para regularización.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 2 - Modelos supervisados: Naive Bayes y K-vecinos más cercanos

Aprendizaje Esperado:
• Conocer y comprender la técnica Naive Bayes para problemas de clasificación.
• Conocer y comprender la técnica K-vecinos más cercanos para problemas de regresión y clasificación.
• Aplicar las técnicas de Naive Bayes y K-vecinos más cercanos usando datos reales.
• Aplicar el software R con las técnicas de Naive Bayes y K-vecinos más cercanos usando datos reales.

Videos de Contenido:
• Clase:
¤ Teorema de Bayes. Aplicación.
¤ Naive Bayes. Características.
¤ K-vecinos más cercanos. Características.
¤ Elección del parámetro K.
• Laboratorio:
¤ Paquetes de R para las técnicas Naive Bayes y K-vecinos más cercanos.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 3 - Modelos supervisados: Árboles de clasificación/regresión

Aprendizaje Esperado:
• Conocer y comprender cómo se construye un árbol de clasificación/regresión para problemas de regresión y clasificación.
• Conocer y comprender cómo podar un árbol usando datos reales.
• Aplicar la técnica de árbol de clasificación/regresión usando datos reales.
• Utilizar el software R para entrenar árboles de clasificación/regresión usando datos reales.

Videos de Contenido:
• Clases:
¤ Introducción.
¤ Construcción del árbol.
¤ Poda.
¤ Ejemplo. Interpretaciones de reglas.
• Laboratorio:
¤ Paquetes de R para la técnica de árboles de regresión/clasificación.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 4 - Modelos supervisados: Algoritmos ensamblados – bagging/boosting

Aprendizaje Esperado:
• Conocer y comprender el ensamblado de algoritmos por bagging y boosting para resolver problemas de regresión y clasificación.
• Aprender cómo entrenar los algoritmos: random forest , AdaBoost y XGBoost, para problemas de clasificación y regresión.
• Aplicar los algoritmos: random forest, AdaBoost y XGBoost, así como determinar la importancia de las variables usando datos reales.
• Aplicar algoritmos ensamblados a casos prácticos usando el software R.

Videos de Contenido:
• Clase:
¤ Introduciendo los algoritmos ensamblados vía bagging y boosting.
¤ Random forest. Out of bag error. Importancia de variables.
¤ AdaBoost y XGBoost.
• Laboratorio:
¤ Paquetes de R para la técnica de random forest.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 5 - Algoritmo Support Vector Machine (SVM)

Aprendizaje Esperado:
• Conocer y entender qué es SVM y su aplicación en problemas de regresión y clasificación.
• Entrenar datos de regresión y clasificación usando SVM.
• Aplicar el algoritmo SVM a casos prácticos usando el software R.

Videos de Contenido:
• Clase:
¤ Introducción.
¤ SVM en problemas de regresión.
¤ SVM en problemas de clasificación.
¤ Ejemplos y cuestiones prácticas.
• Laboratorio:
¤ Paquetes de R para la técnica SVM.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 6 - Modelos no supervisados: algoritmos jerárquicos

Aprendizaje Esperado:
• Conocer y entender sobre los algoritmos de aprendizaje no supervisados jerárquicos divisivos y aglomerativos.
• Conocer cómo seleccionar el número de grupos los algoritmos de aprendizaje no supervisados jerárquicos divisivos y aglomerativos.
• Introducir el algoritmo K-medias y sus características para resolver problemas de aprendizaje no supervisado.
• Aplicar el algoritmo K-medias a casos prácticos usando datos reales.
• Aplicar los algoritmos divisivos y aglomerativos y K-medias a casos prácticos usando el software R.

Videos de Contenido:
• Clase:
¤ Introducción.
¤ Algoritmos divisivos.
¤ Algoritmos aglomerativos.
¤ Dendograma: elección del número de grupos.
¤ Algoritmo K-medias.
¤ Elección del número de grupos.
• Laboratorio:
¤ Paquetes de R para las técnicas.
¤ Ejemplos y usos de R.
¤ Análisis de resultados.

Unidad 7 - Modelos no supervisados: algoritmos no jerárquicos: K-means y DBScan

Aprendizaje Esperado:
• Introducir los algoritmos K-medias y DBScan y sus características para resolver problemas de aprendizaje no supervisado.
• Aplicar los algoritmos K-medias y DBScan a casos prácticos usando datos reales.
• Aplicar los algoritmos K-medias y DBScan a casos prácticos usando el software R.

Videos de Contenido:
• Clases:
¤ DBScan. Introducción. Características.
¤ Selección de parámetros.
¤ Selección de grupos.
• Laboratorio:
¤ Paquetes de R para la técnica DBScan.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

Unidad 8 - Modelos no supervisados: Reglas de Asociación

Aprendizaje Esperado:
• Introducir las reglas de asociación y sus usos en estimación de la canasta de productos.
• Construir y evaluar reglas de asociación aplicando a datos reales.
• Aplicar el algoritmo reglas de asociación a casos prácticos usando el software R.

Videos de Contenido:
• Clases:
¤ Introducción.
¤ ¿Cómo se construyen reglas de asociación?
¤ Evaluación de las reglas.
¤ Ejemplo.
• Laboratorio:
¤ Paquetes de R para las técnicas reglas de asociación.
¤ Ejemplo y uso de R.
¤ Análisis de resultados.

FOLLETO MATRICÚLATE

Descuentos Becas y Financiamiento

25% HASTA FIN DE MES

Descuentos NO acumulables

Curso Machine Learning para Ciencia de Datos

Conocer cómo entrenar modelos de regresión, uso de software R o cómo construir árboles de clasificación/regresión es crucial en los procesos de transformación digital de las organizaciones.

MODALIDAD Y RITMO

PRECIO Y FORMA DE PAGO

SENCE

Cobertura completa de técnicas supervisadas y no supervisadas

Enfoque práctico con implementación directa en R sobre datos reales

Formación sólida en fundamentos estadísticos del machine learning

Orientación aplicada para múltiples dominios de negocio

Entrenamiento integral del flujo de trabajo de ciencia de datos

Flexibilidad y acceso remoto

Información del Programa

Bienvenida

Objetivos

¿A quién va dirigido?

Metodología

Unidad 1 - Métodos de Regularización

Unidad 2 - Modelos supervisados: Naive Bayes y K-vecinos más cercanos

Unidad 3 - Modelos supervisados: Árboles de clasificación/regresión

Unidad 4 - Modelos supervisados: Algoritmos ensamblados – bagging/boosting

Unidad 5 - Algoritmo Support Vector Machine (SVM)

Unidad 6 - Modelos no supervisados: algoritmos jerárquicos

Unidad 7 - Modelos no supervisados: algoritmos no jerárquicos: K-means y DBScan

Unidad 8 - Modelos no supervisados: Reglas de Asociación

Rolando de la Cruz

Compra Particular

Compra Empresa - individual

Compra Empresa - grupos

Compra Empresa - franquicia tributaria SENCE

Descuentos Becas y Financiamiento

También te puede interesar...

Curso Diseñando conocimientos con Power Bi - Analítica básica + IA V2

Curso Diseño generativo creativo extendido

Magíster en Chief Data Officer

Curso en Vibe Coding

Diplomado en Inteligencia Artificial

CONTACTO ADMISIÓN

ADMISIÓN

ALIANZAS ORGANIZACIONALES

Información del Programa

Bienvenida

Objetivos

¿A quién va dirigido?

Metodología

Unidad 1 - Métodos de Regularización

Unidad 2 - Modelos supervisados: Naive Bayes y K-vecinos más cercanos

Unidad 3 - Modelos supervisados: Árboles de clasificación/regresión

Unidad 4 - Modelos supervisados: Algoritmos ensamblados – bagging/boosting

Unidad 5 - Algoritmo Support Vector Machine (SVM)

Unidad 6 - Modelos no supervisados: algoritmos jerárquicos

Unidad 7 - Modelos no supervisados: algoritmos no jerárquicos: K-means y DBScan

Unidad 8 - Modelos no supervisados: Reglas de Asociación

Rolando de la Cruz

Compra Particular

Compra Empresa - individual

Compra Empresa - grupos

Compra Empresa - franquicia tributaria SENCE

Descuentos Becas y Financiamiento