Big data & IA
Fundamentos de IA y Machine Learning
En el Curso en Fundamentos de IA y Machine Learning iniciaremos un primer acercamiento hacia el mundo de la Inteligencia Artificial y el Machine Learning. En este curso veremos brevemente el origen del Machine Learning, y las diferentes categorías en las que podemos clasificar los algoritmos. Durante el curso profundizaremos en los algoritmos de regresión, y conoceremos los diferentes ecosistemas cloud que podemos encontrarnos a la hora de trabajar con nuestros modelos. Todo esto, acompañado en todo momento por numerosos ejemplos prácticos abordados en Python con la librería Scikit-learn.
Este curso forma parte del Master en Data Science y Big Data. Si quieres ampliar tu formación, consulta el programa completo.
Este curso forma parte del Máster en Data Science y Big Data.
Si quieres ampliar tu formación, consulta el programa completo.
Máster en Data Science y Big Data
a quién va dirigido
El Curso en Fundamentos de IA y Machine Learning proporciona formación específicamente orientada a los siguientes perfiles:
- Ingenieros que tengan por objetivo una actualización de sus conocimientos y el desarrollo de nuevas competencias dentro de la Inteligencia Artificial
- Programadores que tengan por objetivo ampliar sus conocimientos y capacidades en el mundo de la ciencia de datos para su desarrollo profesional
- Analistas de datos con experiencia que quieran dar el salto a los aspectos más profundos de la tecnología
QUÉ APRENDERÁS
Al finalizar el Curso en Fundamentos de IA y Machine Learning serás perfectamente capaz de:
- Aprender a entrenar y evaluar algoritmos de regresión, realizando la correcta preparación de los datos
- Iniciarse en la interpretación de los resultados de los modelos de regresión entrenados
PLAN DE ESTUDIOS
Resumen
En esta primera clase iniciaremos nuestro acercamiento hacia el mundo de la Inteligencia Artificial y el Machine Learning. Haremos un repaso por los orígenes del Machine Learning, revisando los hitos más destacados de su origen y uso. Posteriormente conoceremos las diferentes categorías en las que podemos clasificar los algoritmos: supervisados y no supervisados, y veremos aplicaciones de algunos algoritmos en diferentes sectores.
A continuación haremos una breve introducción de Deep Learning, tema que también se profundizará en próximos módulos.
Por último, haremos una primera toma de contacto con Google Colab y con la librería scikit-learn, librería de la cual se hará uso para la parte práctica del módulo.
Objetivos
- Conocer los orígenes del Machine Learning
- Diferenciar entre algoritmos supervisados y no supervisados
- Conocer aplicaciones del Machine Learning
- Empezar a conocer la librería scikit-learn
Temario
- Introducción
- Presentación de la clase
- Introducción a la inteligencia artificial
- Un poco de historia
- ¿Qué es el Machine Learning?
- Introducción y tipología de algoritmos
- Aplicaciones del Machine Learning
- Primeros conceptos
- Algoritmos supervisados
- Introducción
- Regresión
- Clasificación
- Algoritmos no supervisados
- Agrupamiento o Clustering
- Reducción dimensional
- Detección de anomalías
- Breve introducción al Deep Learning
- Introducción
- Cómo funciona el Deep Learning
- Aplicaciones del Deep Learning
- Google Colab y Scikit-learn
- Introducción
- Librerías Python - NumPy
- Librerías Python - Pandas
- Librerías Python - Matplotlib
- Primeros pasos con Google Colab
- Mi primer Notebook (I)
- Mi primer Notebook (II)
- Mi primer Notebook (III)
Resumen
En esta segunda clase conoceremos la metodología a llevar a cabo a la hora de realizar nuestros modelos de Machine Learning, viendo las diferentes fases que componen dicha metodología y cual es el objetivo de cada una de ellas.
Comenzaremos a ver los primeros modelos de regresión, en concreto la regresión lineal simple, múltiple y polinómica. Conoceremos diferentes métricas a utilizar a la hora de evaluar nuestros modelos de regresión.
Para complementar la clase, veremos dos ejemplos prácticos de regresión lineal simple y regresión lineal múltiple.
Objetivos
- Conocer la metodología a seguir para construir modelos de ML
- Conocer diferentes algoritmos de regresión
- Aprender a evaluar algoritmos de regresión en base a métricas
Temario
- Introducción
- Presentación de la clase
- Introducción a los algoritmos de regresión
- Metodología
- Introducción
- Definición del objetivo y recolección de datos
- Preprocesamiento y análisis exploratorio de datos
- Elección del algoritmo y entrenamiento
- Validación del modelo y predicción
- Distintos algoritmos de regresión y métricas
- Regresión lineal simple, regresión lineal múltiple y regresión lineal polinómica
- Métricas
- Ejemplos prácticos
- Ejemplo: Regresión Lineal Simple
- Ejemplo: Regresión Lineal Múltiple (I)
- Ejemplo: Regresión Lineal Múltiple (II)
Resumen
En esta última clase conoceremos diferentes ecosistemas de Machine Learning en la nube, como son Amazon Web Services, Google Cloud y Azure.
Veremos las ventajas que nos ofrecen estos ecosistemas y veremos las principales herramientas que ofrecen cada uno de estos 3 grandes ecosistemas.
Para complementar la clase, haremos un ejemplo práctico donde recurriremos a todo lo aprendido a lo largo de este módulo. El objetivo será realizar un modelo de regresión en el que tendremos que predecir la prima de una póliza en función de un conjunto de variables.
Objetivos
- Conocer las ventajas del cloud en el campo del ML
- Conocer diferentes ecosistemas de Machine Learning en la nbe
- Realizar un modelo de regresión completo, poniendo en práctica lo aprendido a lo largo del módulo
Temario
- Introducción
- Presentación de la clase
- Introducción
- Diferentes ecosistemas de Machine Learning en la nube
- Amazon Web Services
- Google Cloud Platform: Cloud Machine Learning Engine
- Google Cloud Platform: Vertex AI
- Microsoft Azure: servicios Azure
- Microsoft Azure: Azure Machine Learning
- AWS vs GCP vs Azure
- Ejemplo práctico
- Parte I
- Parte II
profesorado
aprende con los mejores expertos
OPINIONES del Curso en Fundamentos de IA y Machine Learning
Orlando Hernández Jiménez
Consultant, Data Scientist and Trainer in BI, ECM, BigData, ML & Blockchain
Todos los objetivos claros en combinación con dedicación y esfuerzo, darán un extraordinario y satisfactorio resultado. Así que a seguir con los siguientes objetivos #iebs.
Arantxa Martínez Capitán
Técnico BPO en Integra HCM
En el Postgrado en Business Intelligence & BD he trabajado con herramientas como Alteryx, RapidMiner, MySQL y Microsoft Power BI. Con ellas he ido encajando piezas hasta crear el puzle completo mediante el desarrollo de casos prácticos reales.
Juan Manuel Hernández Espinosa
Senior Petroleum Economist & Data Scientist
¡He disfrutado mucho este viaje! Un logro más, ahora es el momento de aplicar todos los aprendizajes y aprovecharlos en todos los aspectos profesionales!, Gracias IEBS Business School.
Roberto Esteves
Gerente General en Masapp
Solamente pasaba para compartirles un pequeño éxito, haber terminado el postgrado en el IEBS Business School en "Data Science y Machine Learning", esto me sirve para poder seguir dando mejores capacitaciones.
resumen
del Curso en Fundamentos de IA y Machine Learning
DURACIÓN
1 mes (40 horas)
INICIO
27 Noviembre
Modalidad
Online - Accesible 24/7
precio
510 U$S
incluye
Diploma IEBS y bolsa de empleo
valoración
4.9/5 de valoración por los alumnos
No enseñamos el futuro. Te ayudamos a crearlo.
FORMACIÓN RELACIONADA
Curso en Transformación digital: Inteligencia Artificial Generativa (genAI) y cloud computing
Curso en Estrategia Digital: Cómo lograr ventajas diferenciales con tecnología digital
Curso en IA Aplicada a Social Media
Curso en Aprende a desarrollar narrativas con ChatGPT
Curso en IA aplicada al Customer experience
Curso en Revolución Visual: crea productos Audiovisuales con IA Generativa y Runway