Curso · 7 capítulos
Machine Learning
Construye modelos de ML clásicos que aguanten en producción. Con scikit-learn, aprende a dividir datos, hacer EDA, ingeniería de características y selección de algoritmos en 7 capítulos para profesionales.
Lo que sabrás hacer
- Plantea problemas como clasificación o regresión
- Divide datos sin fuga de información
- Realiza análisis exploratorio de datos
- Diseña características en pipelines limpios
- Elige el algoritmo de scikit-learn adecuado
- Valida modelos con validación cruzada
Qué incluye
- 1División de datos — entrenamiento, validación y prueba de la manera correcta
Aprende por qué una división en tres partes es innegociable, cómo elegir proporciones, preservar la estructura, respetar el tiempo y prevenir la fuga de datos que hace que los modelos luzcan geniales en notebooks pero fallen en producción.
- 2Mejores Prácticas para la Selección de Modelos — Algoritmo Adecuado para Datos + Objetivo
Aprende el proceso sistemático para elegir el algoritmo de ML correcto: primero una línea base, ajústalo a las características de los datos, valida con validación cruzada y sabe cuándo ponerlo en producción.
- 3Machine Learning: Empieza Aquí
El mapa de orientación de la ruta de Machine Learning — por qué estos seis capítulos viven juntos, qué vas a poder hacer cuando los completes y por dónde empezar.
- 4Panorama de Algoritmos — Familias de sklearn, Cuándo Usar Cada Una
Asocia cada tipo de problema de ML con las familias de algoritmos concretas en scikit-learn — modelos lineales, árboles, SVMs, ensembles y más — para que elijas la herramienta correcta antes de escribir una línea de código.
- 5Limpieza de datos e ingeniería de características
Valores faltantes, outliers, escalado, codificación y ensamblaje de pipelines — convierte los hallazgos del EDA en características listas para el modelo.
- 6Análisis exploratorio de datos — Distribuciones, correlaciones, anomalías
Domina la investigación sistemática de conjuntos de datos antes del modelado — las distribuciones revelan la forma, las correlaciones revelan la señal y las anomalías revelan lo que necesita corrección.
- 7Tipos de problemas en ML — clasificación, regresión y clustering
Aprende a identificar si tu pregunta de negocio requiere un clasificador, un regresor o un algoritmo de clustering — la decisión que condiciona todas las elecciones posteriores.
Preguntas frecuentes
- ¿Qué aprenderé en este curso de machine learning?
- Aprenderás el flujo de trabajo de ML clásico de extremo a extremo: división de datos, análisis exploratorio, limpieza de datos, ingeniería de características, identificación del tipo de problema y elección del algoritmo correcto en scikit-learn. Los 7 capítulos están orientados a decisiones prácticas y listas para producción.
- ¿A quién va dirigido este curso?
- Está dirigido a ingenieros con nivel profesional que quieran construir modelos de machine learning fiables con scikit-learn. Es ideal para ingenieros de software o de datos que se adentran en el ML, ya saben programar y buscan un proceso de modelado sistemático.
- ¿Necesito experiencia previa o saber programar?
- Sí, este es un curso de nivel profesional, por lo que debes sentirte cómodo programando en Python y trabajando con datos. Se asume que puedes ejecutar código; no enseña programación desde cero.
- ¿Cuánto dura el curso y hay certificado?
- El curso tiene 7 capítulos con una duración total de unos 140 minutos (aproximadamente 2.3 horas). Al completar los capítulos en la AI Academy obtienes un certificado que puedes compartir.
- ¿Este curso es gratuito?
- No, es un curso de pago incluido en la suscripción a AI Academy by Anthropos. Una vez suscrito, tendrás acceso completo a los 7 capítulos.
Consigue un certificado
Completa todos los capítulos para recibir tu certificado de finalización.