Introducción al Machine Learning
El objetivo de este curso es introducir conceptos y técnicas básicas en Machine Learning para resolver problemas de analítica. Para ello, se presentan los conceptos básicos de la teoría de aprendizaje estadístico (statistical learning) y a través de casos reales se aplican técnicas básicas de Machine Learning para dar soporte a la toma de decisiones.
Al finalizar el curso los estudiantes habrán avanzado en sus conocimientos para formular y programar modelos matemáticos descriptivos, predictivos, y prescriptivos para la toma de decisiones, así como extraer, transformar y cargar datos de fuentes estructuradas y no estructuradas con tecnologías para el manejo de grandes volúmenes de datos y cloud computing.
Plataforma virtual: Este curso hace parte de la Maestría en Inteligencia Analítica de Datos, el primer posgrado virtual del Departamento de Ingeniería Industrial de la Universidad de los Andes en la plataforma Coursera.
Conocimientos mínimos requeridos: Es necesario tener conocimientos básicos en probabilidad y estadística, modelos estadísticos lineales, cálculo, álgebra lineal, programación, recomendando R y Python. Deberás realizar un curso de inducción antes de iniciar tus clases, en donde verás lineamientos sobre la metodología, el programa y los elementos importantes para tener éxito
Horario:
Viernes de 9:00 a 10:50 am o jueves de 6:30 a 8:20 pm hora Colombia*. Recuerda que solo debes asistir a una de las dos sesiones, ya que corresponde a la misma clase, ¡tú decides en qué horario participar! Este horario está sujeto a modificaciones.
*Estos horarios están sujetos a modificaciones.
Herramientas principales:
Jupyter notebooks, Python, Scikit-Learn, Rstudio.
Idioma: Los cursos serán ofrecidos 100% en español. Sin embargo, es recomendable que tengas un buen nivel de compresión de lectura en inglés, pues muchos contenidos académicos serán presentados en este idioma.
Créditos académicos: 3
*Podrás inscribirte a este curso bajo la categoría Extensión, los cursos bajo esta modalidad otorgan créditos y notas, por tanto, pueden ser homologables una vez el estudiante sea admitido a la Universidad, de acuerdo con el reglamento de estudiantes y de homologaciones. La aprobación de los cursos de extensión no garantiza el ingreso a ningún programa regular de la Universidad.
Si deseas homologar cursos vistos por extensión en el programa de maestría, se requiere que:
1. La nota final individual de cada curso sea superior a 3.00
2. El promedio ponderado de las notas finales de los cursos que se desean homologar sea igual o superior a 3.5 sobre 5.0.
3. El total de créditos del conjunto total de cursos a homologar no sea superior a 16.
Nota: si tiene inquietudes podrá realizarlas a través del siguiente formulario
Este curso hace parte del portafolio de materias de pregrado y posgrado de la Universidad abiertas a todo público.
Al participar en este curso podrás vivir la experiencia Uniandina, acceder a contenidos de calidad, tomar clases con estudiantes regulares, acceder al sistema de bibliotecas de Uniandes y participar en las actividades culturales que esta Universidad te ofrece.
Dirigido a
Un profesional hispanohablante con pregrado en cualquier disciplina (no necesariamente STEM) que tenga conocimientos básicos en estadística y programación y esté interesado en generar impacto mediante la transformación de datos en información relevante para la toma de decisiones. Es necersario tener en cuenta los conocimientos requeridos y los cursos prerrequisito.
Condiciones
Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.
La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.