Educación Continua
Curso Introducción al análisis avanzado de datos con Python
En un mundo donde los datos lo son todo, el aprendizaje automático (Machine Learning) se ha convertido en una herramienta clave para analizar información, automatizar procesos y tomar mejores decisiones. Este curso te enseña a desarrollar modelos predictivos con Python, el lenguaje más utilizado en este campo por su potencia y versatilidad.
A lo largo del curso, participarás en sesiones en vivo donde combinarás teoría y práctica para fortalecer tus habilidades en programación y análisis de datos. Aprenderás haciendo: experimentando, resolviendo problemas y trabajando de forma autónoma.
Nuestra metodología incluye clases virtuales guiadas por un docente, ejercicios interactivos y demostraciones paso a paso. Todo está diseñado para que desarrolles pensamiento crítico y puedas aplicar lo aprendido en contextos reales, como salud, finanzas, mercadeo o ingeniería.
Descuentos:
- 10% para los primeros 7 inscritos
-
Sobre la Oferta Open or Close
En un entorno cada vez más orientado por los datos, el Machine Learning se ha consolidado como una herramienta esencial para analizar información, automatizar procesos y generar predicciones que apoyen la toma de decisiones. Python, por su versatilidad y amplia adopción, se ha convertido en el lenguaje más utilizado en este campo. Este curso responde a la creciente demanda de formación práctica en técnicas de aprendizaje automático, ofreciendo a los participantes las bases necesarias para aplicar modelos predictivos en contextos reales.
El aprendizaje automático (Machine Learning) se ha convertido en una herramienta fundamental para el análisis inteligente de datos en múltiples sectores como la salud, las finanzas, el mercadeo y la ingeniería. Este curso ofrece una formación en el desarrollo de modelos predictivos utilizando Python y sus principales librerías especializadas.
Objetivo General:
Brindar a los participantes las competencias necesarias para desarrollar modelos de Machine Learning aplicados a problemas reales utilizando Python.
Objetivos específicos:
- Comprender y aplicar los principales algoritmos de aprendizaje supervisado y no supervisado en contextos reales.
- Desarrollar e implementar modelos predictivos utilizando la biblioteca Scikit-Learn, evaluando su rendimiento mediante métricas apropiadas.
Metodología:
El curso se desarrolla mediante sesiones sincrónicas orientadas al fortalecimiento progresivo de competencias en programación y análisis de datos con Python. La metodología combina elementos teóricos y prácticos, promoviendo una apropiación significativa de los contenidos a través de la experimentación, la resolución de problemas y el trabajo autónomo.
Las estrategias pedagógicas incluyen clases virtuales con exposición guiada por el docente, demostraciones prácticas paso a paso en entornos interactivos, y ejercicios aplicados que permiten consolidar cada tema. Esta metodología está diseñada para fomentar el pensamiento crítico, la autonomía y la capacidad de aplicar herramientas de Ciencia de Datos en contextos reales de análisis.
-
Contenido Open or Close
Módulo Título Descripción Módulo 1 Introducción al Machine Learning y sus aplicaciones Este módulo proporciona una visión general del aprendizaje automático, sus principales aplicaciones y su relevancia en distintos sectores. Se presentan los conceptos fundamentales, los tipos de aprendizaje (supervisado, no supervisado y por refuerzo), y el flujo de trabajo en un proyecto de Machine Learning. Asimismo, se introduce la biblioteca Scikit-Learn como herramienta central del curso. Módulo 2 Modelos supervisados – Regresión y clasificación Se abordan los algoritmos de aprendizaje supervisado más utilizados, tanto para tareas de regresión como de clasificación. Los participantes aprenderán a implementar modelos como regresión lineal, regresión logística, árboles de decisión y k-vecinos más cercanos (k-NN), así como a evaluar su desempeño utilizando métricas comunes. Módulo 3 Modelos no supervisados – Clustering y reducción de dimensionalidad Este módulo explora técnicas de aprendizaje no supervisado enfocadas en la segmentación de datos y la compresión de información. Se trabajará con algoritmos como K-means, DBSCAN y métodos de reducción de dimensionalidad como PCA y t-SNE, aplicados a conjuntos de datos reales. Módulo 4 Evaluación y optimización de modelos El módulo final se centra en el ajuste fino de modelos mediante técnicas de validación cruzada, selección de hiperparámetros y creación de pipelines. Se enseñará cómo mejorar el rendimiento de los modelos y asegurar su reproducibilidad, integrando buenas prácticas en el desarrollo de soluciones predictivas.
Información de Contacto
Mayor información
- Oficina de Educación Continua de la Facultad de Ingeniería
- educacion.continua.fi@correounivalle.edu.co
- teléfono 602 3212100 ext: 7539
- Edificio E22 - Quinto Piso - Espacio 5002
- Ciudad Universitaria - Meléndez
- Universidad del Valle
- Cali, Colombia