​

​

{Descrip​ción}

Aprendizaje automático "Machine Learning" para desarrollar técnicas que permitan a las computadoras aprender.​

{Objetivo}

Conocer el funcionamiento interno de los métodos de Machine Learning, seguido de su implementación en el lenguaje de programación Python y su aplicación en casos de uso demostrativos.

{Dirigi​do a}

• Estudiantes de ingeniería de sistemas y afines.
  
• Desarrolladores y profesionales del sector TI.
  

Nivel de conocimiento requerido: conocimiento de cualquier lenguaje de programación.

{​​​Contenido}

Módulo 1: Ciencia de datos en python.

• Conceptos y metodología de Ciencia de Datos

Objetivo: reconocer los aspectos metodológicos en el desarrollo de proyectos de Ciencia de Datos

• Conceptos básicos
• Metodología de la ciencia de datos
• Módulos de python para la ciencia de datos

Objetivo: aprender a utilizar el lenguaje de programación python y a utilizar los módulos más comunes para ciencia de datos

• Fundamentos de Python Numpy y Pandas Matplotlib y Seaborn
• Preprocesamiento y bases de datos

Objetivo: identificar las técnicas de preprocesamiento más comunes

• Lectura y Escritura de Bases de Datos
• Técnicas de preprocesamiento
• Técnicas básicas de aprendizaje supervisado

Objetivo: conocer las aplicaciones y el alcance del aprendizaje supervisado, así como, las técnicas básicas de aprendizaje supervisado

• Regresión Lineal
• Práctica de regresión
• Regresión Logística
• Práctica de clasificación

Módulo 2: Fundamentos de machine learning en python.

• Introducción

Objetivo: repasar los fundamentos requeridos y conocer las herramientas de trabajo

• Revisión de librerías básicas
• Revisión de conceptos como aprendizaje supervisado y no supervisado
• Técnicas de aprendizaje supervisado

Objetivo: conocer a profundidad el funcionamiento de las técnicas más comunes de aprendizaje supervisado y aprender a utilizar las técnicas más comunes de aprendizaje supervisado

• Regresión Multivariada y no lineal
• Regresión logística
• K-Vecinos más cercanos
• Naive Bayes
• Máquinas de vectores de soporte
• Árboles de decisión
• Práctica de regresión
• Práctica de clasificación Selección de modelos

Objetivo: identificar un diseño experimental adecuado para la implementación de proyectos de machine learning y reconocer las técnicas que permiten evaluar adecuadamente el desempeño de modelos supervisados y seleccionar sus hiper-parámetros.

• Construcción de datasets
• Validación cruzada
• Curvas de validación
• Curvas de aprendizaje
• Búsqueda de hiper-parámetros
• Práctica de selección de modelos
• Métodos de ensamble

Objetivo: reconocer los métodos de ensamble como una estrategia para mejorar el rendimiento de modelos individuales

• Boosting
• Bagging
• Stacking
• Random
  
• Forest y Gradient
• Boosting
• Práctica de métodos de ensamble
• Técnicas de aprendizaje no supervisado

Objetivo: aplicar agrupamiento automático a datos tabulares, conocer las ventajas de la reducción de dimensión en la visualización y modelación y entender técnicas para detección de anomalías.

• Agrupamiento
• Reducción de dimensión
• Detección de anomalías

{​​​Profesores}

• Ana María López Moreno: Ingeniera electrónica de la Universidad Javeriana con maestría en gestión de informática y telecomunicaciones de la Universidad ICESI, con especialización en finanzas de la Universidad de Antioquia y especialización en inteligencia de negocios de la Pontificia Universidad Bolivariana, actualmente se encuentra desarrollando el trabajo de grado para terminar la maestría en estadística de la Universidad Nacional. Experiencia como docente (+ 5 años), en soluciones de infraestructura y administración de servidores (+ 5 años), en desarrollo de soluciones en inteligencia de negocios (+ 5 años), en ciencia de datos (+ 4 años).
• Esteban López Aguirre: Ingeniero Químico, Magíster en Ingeniería y Doctor en Ingeniería de la Universidad Nacional de Colombia. Tiene más de 6 años de experiencia en docencia universitaria de matemáticas y en investigación sobre Teoría de Control. En su trabajo e investigación ha utilizado lenguajes de programación como Python, Wolfram Mathematica y MATLAB. Tiene experiencia en el uso de Machine Learning y Deep Learning para la construcción de mod​elos de procesos químicos y para el procesamiento de lenguaje natural. Actualmente se desempeña como Ingeniero de Machine Learning en Factored.
• Isabel Cristina Hernández Moná: Ingeniera Matemática con Maestría en Business Intelligence de la Universitad de Barcelona. Actualmente se desempeña como docente de matemáticas en el Nivelatorio de Becas de la Universidad EAFIT, consultora independiente en Inteligencia de Negocios y Analítica de Datos, y mentora en la carrera de Data Science en Acámica.
• Jaime Andrés Riascos: Ingeniero de Mecatrónica del Instituto Tecnológico Metropolitano (ITM) Medellín. Durante su pregrado, realizó investigación en áreas como: Métodos numéricos, Mecánica Aplicada, Simulación Avanzada, Automatización Industrial, Robótica, Inteligencia Artificial, Visión Computacional y Experimentación en Física. Magister en Ciencias Computacional en la Universidad Federal Rio Grande do Sul (UFRGS), Porto Alegre (Brasil), investigando en campos como Interface Cerebro-Computador, Neurociencias Computacionales y Psicolingüística.
• Cristian Sánchez: Ingeniero electrónico, con especialización en automatización, maestría en Inteligencia artificial en curso y experiencia en la industria adquirida a través del trabajo en Alumina SA, compañía dedicada a la extrusión de aluminio, pintura electrostática y anodizado. Socio fundador de Smart Control S.A.S compañía dedicada a la implementación de soluciones integrales en la automatización de procesos, apoyados en Inteligencia artificial.​​