🧠Objetivos de aprendizaje
Al finalizar esta certificación, los estudiantes serán capaces de:
● Desarrollar habilidades sólidas en programación con Python, comprendiendo y aplicando sus estructuras fundamentales para resolver problemas complejos.
● Gestionar y optimizar bases de datos relacionales de manera eficaz, asegurando un acceso seguro y eficiente a la información, incluso en escenarios de grandes volúmenes de datos.
● Dominar técnicas avanzadas de exploración y limpieza de datos, preparando conjuntos de datos de alta calidad para su posterior análisis.
● Implementar y evaluar modelos de machine learning, desde los más básicos hasta los más avanzados, optimizando su rendimiento.
● Aplicar conocimientos en proyectos prácticos, utilizando técnicas avanzadas de machine learning para resolver problemas reales en la industria, asegurando la robustez y precisión de los modelos.
📚Contenidos
Python desde cero
Se espera que los estudiantes puedan:
● Comprender los fundamentos del pensamiento computacional. ● Configuración y utilización de entornos de desarrollo.
● Dominar la sintaxis y las estructuras de control de Python.
● Diseñar y analizar algoritmos para resolver problemas.
● Implementar algoritmos en Python.
● Desarrollar habilidades para el análisis crítico y la resolución de problemas.
● Aplicar conocimientos en proyectos reales.
● Comprender y utilizar la sintaxis básica de Python y sus estructuras de datos principales.
● Crear y utilizar funciones para modularizar y reutilizar el código.
● Aplicar los conceptos fundamentales de la Programación Orientada a Objetos para diseñar y construir programas más organizados y eficientes.
● Desarrollar una base sólida en programación que permita continuar el aprendizaje hacia áreas más avanzadas o especializadas.
Bases de datos en MySQL
Se espera que los estudiantes puedan:
● Desarrollar el pensamiento analítico en la gestión de datos y comprender la trayectoria entre el requerimiento y su implementación física.
● Configurar una base de datos relacional para que obtenga su mayor performance en grandes volúmenes de datos.
● Acceder a la información con el lenguaje propio de la herramienta, de manera tal que los resultados obtenidos sean confiables y seguros.
● Optimizar el uso de los datos, de forma que el volumen de los mismos no sea un impedimento en los tiempos de proceso.
● Reconocer la forma correcta del tratamiento de la información, a fin de no entorpecer el acceso de otros usuarios simultáneamente.
Exploración y limpieza de datos
Se espera que los estudiantes puedan:
● Manejar eficientemente grandes conjuntos de datos utilizando las bibliotecas Numpy y Pandas, optimizando el rendimiento y la memoria.
● Realizar análisis exploratorio de datos para identificar patrones, tendencias y anomalías, facilitando una comprensión profunda de los datasets.
● Aplicar técnicas avanzadas de limpieza y transformación de datos para mejorar la calidad y la integridad de los datasets, asegurando su adecuación para el análisis posterior.
● Implementar técnicas de normalización y escalado de datos para preparar adecuadamente los datasets para el uso en algoritmos de machine learning, mejorando la eficacia de los modelos.
● Crear y transformar atributos para enriquecer los análisis y optimizar los modelos predictivos, mediante la generación de nuevas variables y la modificación de las existentes.
Introducción a Machine Learning
Se espera que los estudiantes puedan:
● Implementar modelos básicos de machine learning, incluyendo clasificadores lineales y K-nearest neighbors.
● Entender y aplicar árboles de decisión para problemas de clasificación.
● Evaluar el rendimiento de los modelos de machine learning utilizando métricas básicas.
● Identificar y manejar el sobreajuste en los modelos de aprendizaje automático.
● Aplicar estrategias de evaluación como el train-test split y la validación cruzada para obtener estimaciones fiables del rendimiento del modelo.
Modelado avanzado en Machine Learning
Se espera que los estudiantes puedan:
● Desarrollar una comprensión profunda de los modelos avanzados de machine learning, incluyendo técnicas de regresión, optimización, y ensamble.
● Comprender y aplicar técnicas de optimización como el descenso del gradiente y métodos avanzados (Momentum, RMSprop, Adam) para mejorar el rendimiento de los modelos.
● Evaluar y validar modelos de machine learning utilizando métricas avanzadas, validación cruzada, y análisis de residuals, asegurando la robustez y precisión de los modelos.
● Implementar proyectos prácticos que utilicen diversas técnicas de machine learning, optimización y evaluación, y analizar resultados para proponer mejoras.
● Presentar ejemplos reales de la industria que han beneficiado de técnicas avanzadas de machine learning, proporcionando contexto y aplicaciones prácticas para los conocimientos adquiridos.