Tel: 3320154977, Whatsapp: +5213313532253
Machine Learning

Aprende a desarrollar inteligencia artificial que permita que las computadoras apliquen técnicas de aprendizaje estadístico con el objetivo de identificar automáticamente patrones en los datos.

¡Certifícate con nosotros! ¿Ya conoces nuestros avales nacionales e internacionales?
Avales Nacionales: STPS e IDEFT(SEP)
Avales Internacionales: Consejo Certificador en Seis Sigma CSSC - Python Institute - Kanban Institute - Certiprof - Management 3.0 - Scrum Alliance - Agile People - ScrumStudy -  ICAgile - Scaled Agile - LCM - Agility Health

Instructores certificados ante CONOCER, activos en la industria y con amplia experiencia en los temas que imparten.

Duración: 30 horas de entrenamiento en Campus Virtual

Dirigido a : cualquier persona que esté interesada en ampliar sus conocimientos en Machine Learning y aprender a desarrollar inteligencia artificial que permita que las computadoras apliquen técnicas de aprendizaje estadístico con el objetivo de identificar automáticamente patrones en los datos.

¿Modalidad de estudio? 

Campus Virtual, seis meses de acceso a la plataforma, avanza a tu ritmo en los contenidos desde cualquier parte del mundo.

¿Qué aprenderás?

  • Desarrollar inteligencia artificial que permita que las computadoras apliquen técnicas de aprendizaje estadístico con el objetivo de identificar automáticamente patrones en los datos.
  • Redes neuronales (RRN, RCN, Boltzaman)
  • Herramientas necesarias para trabajar con Machine Learning 

¿Qué documento obtengo al finalizar?

Diploma Digital

Requisitos

Manejo de computadora y conexión a internet

Beneficios adicionales:

1. Acceso a Talleres Gratuitos en Temas Tecnológicos, Mejora Continua y de Agilidad.
2. Soporte de los instructores para dudas de los temas o del proyecto de certificación.

Resumen del curso
Módulos
Bienvenida
Instrucciones para tu curso
¿ Quién será mi asesor ?
Manual del curso
1 Introducción a Machine Learning
1.1 Introducción a Machine Learning
1.2 Breve Introducción de Lenguajes de Programación Orientados a Machine Learning
1.3 Redes Neuronales (RRN, RCN, Boltzaman)
1.4 Herramientas necesarias para trabajar con Machine Learning (software tools)
1.5 Configurando nuestro ambiente de trabajo para Machine Learning
1.6 Aplicaciones y usos de Machine Learning en la vida actual
1.7 Machine Learning Supervisado y No Supervisado
1.8 Evaluación Sección 1
2 Regresión
2.1 Introducción al método de regresión
2.2 Regresión Lineal Simple
2.3 Laboratorio - Regresión Lineal Simple
2.4 Regresión Lineal Múltiple
2.5 Laboratorio - Regresión Lineal Múltiple
2.6 Evaluación de Modelo
2.7 Métricos de evaluación
2.8 Regresión No Lineal
2.9 Laboratorio Regresión No Lineal
Evaluación Sección 2
3.1 Clasificación
3.2 Laboratorio Clasificación
3.3 K-Nearest Neighbors
3.4 Laboratorio K-Nearest Neighbors
3.5 Métricos de Evaluación
3.6 Introducción Árboles de desición
3.7 - Construyendo árboles de decisión
3.8 Laboratorio Árboles de decisión
3.9a Introducción a Regresión Lineal Logística
3.9 Regresión Logística / Regresión Lineal
3.9c Support Vector Machine
3.9d Laboratorio support vector machine
Evaluación Sección 3
4.1 Clústers
4.2 Introducción a clústers
4.3 K-Means clustering
4.4 k-Means
4.5 Clustering Jerárquico
4.6 Laboratorio clústering jerárquico
Evaluación Sección 4
Examen Final
Impartido por Jesus Eduardo De Santiago Diaz

Ingeniero en Electrónica |  Industria 4.0 | Scrum Master | Developer

Experiencia en desarrollo de proyectos Cloud & Cognitive, integración e implantación para el desarrollo de aplicaciones siguiendo las mejores prácticas y amplio conocimiento en: docker containers, openshift, cloud, react js, python, web design, javascript, c++, internet de las cosas, PLCs y experto en tecnologías 4.0

LinkedIn