Machine Learning con Python
22 de julio
(Modalidad virtual)

Objetivos:
  • Conocer el concepto y visión general de Machine Learning
  • Conocer las diferencias entre Aprendizaje supervisado y no supervisado
  • Conocer la metodología internacional CRISP-DM para proyectos de Data Mining/Machine learning
  • Conocer los conceptos y enfoques de diversas técnicas de aprendizaje supervisado y aplicarlos a casos reales utilizando Python
  • Conocer las métricas de evaluación de modelos.
Requisitos:
  • Python bàsico
Dirigido a:
  • Profesionales de TI - Telecomunicaciones - Analistas de Datos - Desarrolladores - Programadores y todo aquel interesado en conocer las principales técnicas y algoritmos para el desarrollo de proyectos de aprendizaje de máquina.

Entregables:
  • Presentaciones y material en digital.
  • Certificado de participación (85 % de asistencia) o de aprobación (nota mínima, 13)
  • Asesoría gratuita vía email a toda consulta y/o comentarios del participante.
Duración y horario:
Modalidad virtual
Inicio: 22 de julio
Duración: 18 horas
Horario: mièrcoles, jueves y viernes de 7:00 p. m. a 10:00 p. m.
Inversiòn: S/ 1,000.00

Modalidad presencial
Inicio: 03 de setiembre
Duración: 18 horas
Horario: jueves y viernes de 7:00 p. m. a 10:45 p. m.
(*) Inversión: S/ 1,200.00
Toda inversión puede ser negociada en cuotas (sujeto a cargo adicional)

(*) Promoción: 5 % de Dscto. por inscripción anticipada.
10 % de Dscto. a partir de 2 participantes y ex alumnos.

Escriba a capacitacion@adiestra.pe indicando sus datos, medio de contacto y el curso al que desea acceder a la promoción

Puede realizar su matrícula depositando en nuestra cuenta:
GRUPO CORPORATIVO ADIESTRA SAC
RUC: 20546385745
Cta. Cte. BCP Soles: 191-1966941-0-89
Código CCI BCP Soles: 00219100196694108956

Canjee su voucher en nuestras oficinas. 

Informes e inscripciones: 
Lima - Perú Central Celular (511) 953821717
capacitacion@adiestra.pe

Aceptamos tarjeta

¡Vacantes limitadas!  
 MACHINE LEARNING CON PYTHON
 
Conceptos preliminares
  • Definiciones de Machine learning
  • Tipos de Aprendizaje
  • Visión general y taxonomía de Machine learning
  • Metodología internacional CRISP-DM
  • Casos de uso
Aprendizaje Supervisado
  • Vecinos más cercanos (KNN)
  • Naive bayes
  • Arboles de decisión
  • Redes neuronales artificiales
  • Máquina de vectores de soporte
  • Bosque aleatorio, Adaboost y XGBoost
Evaluación, validación y despliegue de modelos
  • Métricas de Evaluación para modelos de Clasificación
  • Métricas de Evaluación para modelos de Regresión
  • Validación cruzada: k-fold cross validation
  • Guardar modelos predictivos y predecir en nuevos datasets
0
0
0
0