Programa de Especialización en
Machine Learning

Inicio

Convocatoria 2022

Modalidad

Clases a distancia en tiempo real

Duración

128 horas lectivas

Acerca de este programa

Independientemente de la capacidad técnica o académica de los profesionales, la complejidad de los retos superan, con frecuencia, la capacidad humana de producción de un resultado estratégico u operativo. En ese sentido, la inteligencia artificial y el uso de algoritmos —entrenados para ejecutar procedimientos con mayores funciones cognitivas— constituyen una gran ayuda para el abordaje de esta problemática en tiempos inciertos.

Nuestro Programa de Especialización en Machine Learning surge como respuesta a la demanda multidisciplinaria de acceso a los algoritmos de inteligencia artificial. El estudiante podrá identificar la complejidad de los retos existentes, así como implementar y participar, con profesionales de otras disciplinas, en el ciclo de modelamiento de algoritmos de IA con fundamentos de aprendizaje de máquina; incluyendo el análisis del entorno, la selección de modelos, el entrenamiento, la validación y la puesta en producción.

Está dirigido a:

  • Directivos o líderes de equipos, de diversas especialidades, que tienen un rol articulador entre la estrategia y la implementación operativa de soluciones en entornos complejos, y que han decidido utilizar los datos como un insumo para la toma de decisiones.

Solicitar más información

Plana docente

Alejandra Inga Quezada
Especialista en el desarrollo de algoritmos de investigación de operaciones e inteligencia artificial para proyectos de investigación. Magíster en Ingeniería de Producción y Manufactura por la UNICAMP de Brasil. Certificada en Fundamentos del Aprendizaje Profundo por Cognitive Class. Ingeniera industrial.

Rolando Luna Flores
Consultor en gestión organizacional de proyectos y enfoques de procesos. Con experiencia en la mejora del seguimiento de las intervenciones públicas y programas presupuestales a partir de registros administrativos. MBA por la Universidad de la Ciudad de Nueva York, Estados Unidos. PMP. Ingeniero electrónico.

José Carlos Machicao Valencia
Consultor en GestioDinámica. Con amplia experiencia aplicando algoritmos de IA para soluciones de gestión. PMP y PMI. Msc en Energía por la Universidad de Gales, Reino Unido. Especialidad en Inteligencia Artificial aplicada al Cuidado de la Salud por la Universidad de Stanford, Estados Unidos. Ingeniero mecánico.

* Programación de docentes sujeta a variación según disponibilidad.

Certificación

ESPECIALISTA EN MACHINE LEARNING

Luego de aprobar todos los módulos del programa se te otorgará el certificado de Especialista en Machine Learning, a nombre de la Escuela de Posgrado de la Universidad Continental.

Ventajas diferenciales

Propuesta académica moderna
Propuesta académica moderna
Aborda el ciclo completo de la aplicación de algoritmos de aprendizaje computacional, para generar valor en las organizaciones.
Enfoque en la experiencia del alumno
Enfoque en la experiencia del alumno
Programa centrado en el uso de códigos para la obtención de resultados. No se requiere formación previa en programación.
Dirigido a todas las especialidades
Dirigido a todas las especialidades
Informáticos, economistas, ingenieros, médicos, abogados, gestores, administradores, entre otros.
Excelencia docente
Excelencia docente
Especialistas de destacada trayectoria, con puestos estratégicos en reconocidas empresas.
Metodología moderna e interactiva
Metodología moderna e interactiva
Utilizando plataformas de enseñanza de clase mundial y un aula virtual dedicada al programa.
Ecosistema digital para el aprendizaje
Ecosistema digital para el aprendizaje
Vivirás una experiencia con recursos y herramientas tecnológicas de vanguardia.

Plan de estudios

El programa está organizado por 8 módulos, con un total de 128 horas lectivas:
  • Nociones de inteligencia artificial y machine learning.
  • Funcionalidades en el campo laboral y aplicativo de la mayoría de las profesiones.
  • Vinculación a la generación de valor en el ámbito profesional.
  • Costo y beneficio del machine learning en la práctica profesional.
  • Definición de inteligencia computacional.
  • Consideraciones éticas en proyectos de ciencia de datos.
  • Tipos de algoritmos.
  • Ejemplos diversos de aplicaciones.
  • Aseguramiento de calidad de contenido de muestras representativas del fenómeno en los datos.
  • Preprocesamiento: incluyendo atributos y acciones sobre los datos observados, filtrado de ruido, eliminación de valores atípicos, tratamiento de datos faltantes, selección de características, entre otros.
  • Tipos de datos.
  • Tipos de almacenamiento y propiedades.
  • Tablas.
  • Bases de datos.
  • Fusiones de tablas.
  • Lógica del valor de los datos para la toma de decisiones.
  • Fundamentos estadísticos.
  • Alineamiento de los datos a la formulación del problema.
  • Fundamentos de análisis de datos para el aprendizaje de máquina.
  • Atributos y etiquetas.
  • Conceptos de estadística para ML.
  • Calidad de los datos.
  • Análisis exploratorio de datos.
  • Preparación de la data para el modelamiento.
  • Criterios de selección de modelos.
  • Criterios para la evaluación de modelos.
  • Introducción a los tipos de algoritmos.
  • Definición de regresión y clasificación.
  • Algoritmos principales de clasificación y sus aplicaciones.
  • Regresión lineal.
  • Regresión logística.
  • Árboles de decisión.
  • Random forest.
  • El ciclo de modelamiento: entrenamiento, prueba, validación, integración.
  • Introducción a los tipos de algoritmos.
  • Definición de aglomeración (clustering) y clasificación no supervisada.
  • Algoritmos principales y sus aplicaciones.
  • K-means clustering.
  • KNN (k-nearest neighbors).
  • Análisis de componentes principales.
  • Aplicaciones principales.
  • El ciclo de modelamiento: entrenamiento, prueba, validación, integración.
  • Concepto de red neuronal.
  • Concepto de deep learning.
  • Necesidad de las redes neuronales para entornos complejos.
  • Vinculación y valor de las redes neuronales con el campo profesional de diversas disciplinas.
  • Beneficio/costo del uso de redes neuronales.
  • Tipificación de casos para el uso de redes neuronales.
  • Introducción a arquitecturas.
  • Demostración de utilización de redes neuronales.
  • Modelamiento de redes neuronales.
  • Introducción a PyTorch y tensores.
  • Arquitecturas de redes neuronales.
  • Entrenamiento de redes neuronales.
  • Hiperparámetros.
  • Evaluación de modelos de redes neuronales.
  • Aplicaciones de ejemplo.
  • Aplicaciones en Python y Tensorflow.
  • Utilización de GPU en la nube.
  • Introducción a datos de lenguaje natural e imágenes.
  • Definición de corpus, documento y token.
  • Aplicaciones de machine learning a procesamiento de lenguaje natural.
  • Nubes de conceptos o palabras.
  • Introducción a SpaCy.
  • Introducción a redes convolucionales para imágenes.
  • Discusión del potencial de modelos con lenguaje e imágenes.