Este curso te va a brindar conocimientos, tanto teóricos como prácticos, para que puedas construir modelos predictivos utilizando técnicas de aprendizaje automático (en inglés, machine learning). Estos modelos nos permiten anticipar en alguna medida eventos futuros y, en consecuencia, pueden ser utilizados para apoyar la toma de decisiones en las organizaciones y, en general, en cualquier dominio de aplicación.
提供:


このコースについて
Conocimientos básicos en programación en Python, conocimientos básicos en probabilidad y estadística. lectura en inglés.
学習内容
Comprender qué es el aprendizaje automático y los tipos de problemas que pueden resolverse con estas técnicas.
Construir modelos predictivos con base en los objetivos de negocio y los datos disponibles, con herramientas de aprendizaje automático en Python.
Entender el proceso para desarrollar un proyecto basado en datos, desde la formulación del problema hasta la evaluación e interpretación del modelo.
習得するスキル
- manejo de librerías basadas en python para el aprendizaje automático en el ambiente Jupyter Notebook
- empleo de una metodología para el desarrollo de proyectos basados en datos
- Desarrollo de modelos de regresión y clasificación para el análisis de información
Conocimientos básicos en programación en Python, conocimientos básicos en probabilidad y estadística. lectura en inglés.
提供:

ロス・アンデス大学(Universidad de los Andes)
La Universidad de los Andes es una institución autónoma, independiente e innovadora que propicia el pluralismo, la tolerancia y el respeto de las ideas; que busca la excelencia académica e imparte a sus estudiantes una formación crítica y ética para afianzar en ellos la conciencia de sus responsabilidades sociales y cívicas, así como su compromiso con el entorno.
シラバス - 本コースの学習内容
Fundamentos del aprendizaje automático
Bienvenido al primer módulo del curso. Aquí te voy a mostrar, a través del estudio de algunos casos de uso, qué es el aprendizaje automático y cuáles son las características de los proyectos que pueden ser realizados con estás técnicas. Además, conocerás algunas áreas de aplicación del aprendizaje automático y sabrás diferenciar los diversos contextos de aprendizaje, supervisado y no supervisado, así como sus tareas asociadas. También tendrás la oportunidad de conocer el proceso de aprendizaje a través de una metodología y cuáles son algunas herramientas, en el lenguaje de programación Python, que puedes utilizar para la implementación de este tipo de proyectos.
Tarea de regresión
Bienvenido al segundo módulo del curso, el cual lo dedicaremos al estudio de la tarea de regresión. Aprenderás cómo resolver un problema de predicción numérica utilizando el algoritmo de regresión lineal, tanto simple como de múltiples variables. También conocerás algunas métricas que te permitirán medir el rendimiento del modelo generado, así como técnicas para determinar la calidad de las predicciones para datos nuevos. Por último, aplicarás estos conceptos a un caso utilizando la librería de aprendizaje automático scikit-learn.
Complejidad de modelos y capacidad de generalización
Bienvenido al tercer módulo del curso, en el cual vamos a estudiar algunas técnicas que te permitirán mejorar el rendimiento de los modelos predictivos. En primer lugar, veremos una trasformación que habilita el uso de la regresión lineal en problemas no lineales. Luego, presentaremos un concepto muy importante en al aprendizaje a partir de datos, la complejidad de modelos, y discutiremos cómo este puede afectar el rendimiento de generalización. También aprenderás qué es la regularización y cómo funciona como método de control de complejidad. Conocerás las versiones regularizadas de la regresión lineal y cómo ajustar hiperparámetros con técnicas de validación. Por último, tendrás la oportunidad de aplicar estos conceptos a un caso utilizando la librería scikit-learn.
Tarea de clasificación
Bienvenido al último módulo del curso, en el cual estudiaremos la tarea de clasificación. Aprenderás cómo un algoritmo de aprendizaje resuelve un problema de este tipo y veremos en acción uno muy popular, los árboles de decisión. También conocerás algunas métricas para evaluar este tipo de modelos y cuál es la base a partir de la cual se derivan. Además, aplicarás los conceptos vistos sobre complejidad y ajuste de hiperparámetros para construir modelos basados en árboles de decisión con buenas capacidades de generalización. Por último, resolverás un caso utilizando la librería de aprendizaje automático scikit-learn. Para cerrar, tendrás la oportunidad de comprender las implicaciones éticas en el desarrollo de soluciones a partir de datos.
Ciencia de datos専門講座について
Este programa en ciencia de datos te permite conocer y desarrollar las principales habilidades técnicas para aportar como miembro de un equipo en un proyecto de ciencia de datos. Estas habilidades cada vez son más apetecidas por el mercado y es por ello que nuestros temas incluyen conocimientos básicos en modelos descriptivos basados en estadística, modelos predictivos basados en aprendizaje de máquina, y técnicas para integrar, explorar y preparar datos, tanto estructurados como no estructurados, utilizando el lenguaje de programación Python y librerías de manipulación y análisis de datos.

よくある質問
いつ講座や課題にアクセスできるようになりますか?
この専門講座をサブスクライブすると何を行うことができるようになりますか?
学資援助はありますか?
¿Debo pagar para inscribirme al curso?
¿Quién emite el certificado y cómo puedo obtenerlo?
¿Cómo puedo pagar por el certificado?
¿Qué información contiene el certificado?
Tengo problemas con mi cuenta, mi inscripción y acceso al curso, el pago u obtención del certificado ¿quién puede ayudarme?
Tuve que suspender mi estudio y no sé cómo regresar al curso ¿qué hago para retomar mi estudio?
Quiero conocer más acerca de la Universidad de los Andes, ¿dónde encuentro información?
¿Cómo obtengo ayuda de Coursera?
¿Cómo puedo obtener un certificado gratuito si soy estudiante, trabajador o profesor de la Universidad de los Andes?
さらに質問がある場合は、受講者ヘルプセンターにアクセスしてください。