Correo Electrónico
DNINFOA - SIA
Biblioteca
Convocatorias
Identidad U.N.
Machine Learning and Data Science Avanzado
En un estudio de prospectiva patrocinado por IEEE , el aprendizaje computacional ha sido identificado como una de las tecnologías innovadoras que pueden liderar el cambio de la industria de la computación en los siguientes años. Pero aún, más allá de esta distinción, el aprendizaje computacional juega un papel fundamental en el éxito de otras tecnologías identificadas en el mismo estudio. En algunos casos, el aprendizaje computacional proveerá los métodos básicos que permitan abordar los retos particulares de algunas tecnologías, como la visión por computador, la biología computacional, las interfaces de usuarios naturales o el denominado big data analytics.
En otros casos, los métodos de aprendizaje computacional permitirán analizar y aprovechar los inmensos volúmenes de datos generados por tecnologías, tales como los cursos abiertos masivos en línea, el internet de las cosas o la bioinformática. El programa de formación en MLDS provee los elementos necesarios para afrontar esta revolución y aprovechar estas herramientas conceptuales y tecnológicas para la solución de problemas prácticos en sus organizaciones.
Metodología
Los tres módulos del programa se impartirán de manera remota sincrónica no presencial, es decir, videoconferencias en vivo con los docentes en los horarios establecidos.
Si bien los módulos entre sí no tienen pre requisitos como tal, se entiende que los módulos más avanzados tratan temas tecnicamente más avanzados que los anteriores. Debido a ello, recomendamos cursar el ciclo en el orden planteado (4, 5 y 6) tras haber cumplido el ciclo de formación básico (1,2 y 3).
Contar con conocimiento, experiencia o proficiencia en el tema le ayudará a abordar la metodología de mejor manera, evitando choques a nivel temático.
Pre requisitos
Dado el enfoque práctico del programa de formación se requiere que los asistentes tengan:
- Conocimientos de programación de computadores con Python.
- Conocimientos de librerías especializadas para análisis de datos con Python
- (Pandas, NumPy, Seaborn) y aprendizaje de máquina (Scikit-learn).
- Conocimientos básicos de Machine Learning.
- Conocimientos básicos de SQL y UNIX.
- Disposición para aprender nuevas tecnologías y enfrentar retos técnicos.
Módulo 4. Procesamiento y entendimiento de lenguaje natural
El objetivo de este módulo es abordar los temas principales en el procesamiento del lenguaje natural (NLP, por sus siglas en inglés) por medios computacionales, con énfasis en textos escritos. Se estudiarán una amplia gama de técnicas para la lingüística computacional, el análisis estadístico del lenguaje y la minería de textos, aplicadas a problemas como el análisis sintáctico, la extracción de información, la clasificación y agrupación de textos, el análisis de sentimientos, entre otros.
Módulo 5. Deep learning
El objetivo de este módulo es estudiar modelos de aprendizaje profundo (deep learning), es decir redes neuronales con varias capas, y su aplicación a la solución de problemas desaantes de análisis de texto, imágenes y otro tipo de información no estructurada. El módulo cubrirá los fundamentos de los modelos de aprendizaje profundo, así como los problemas prácticos asociados con su diseño, implementación, entrenamiento y despliegue. Se utilizará una metodología práctica enfocada en la construcción de modelos utilizando herramientas populares como Keras y TensorFlow.
Módulo 6. Metodologías ágiles para el desarrollo de proyectos de machine learning
El objetivo de este curso es estudiar las metodologías para el desarrollo de aplicaciones que involucran machine learning e inteligencia artificial, se presentará todo el flujo de desarrollo de software con las tecnologías más recientes y ampliamente usadas en machine learning.
Al finalizar el curso se espera que el estudiante esté en capacidad de:
- Entender los distintos roles y perfiles que son necesarios para un proyecto de desarrollo de software que involucre machine learning.
- Entender las distintas etapas necesarias para llevar satisfactoriamente un software basado en machine learning a producción.
- Manejar las dependencias y ambientes de desarrollo para ciencia de datos con Python
- Estructurar y manejar versiones en proyectos de software de ciencia de datos.
- Desplegar modelos en distintas plataformas o tipos de aplicaciones.
Fechas realización
Módulo 4 - Marzo 19 a Mayo 03
Módulo 5 - Mayo 07 a Junio 14
Módulo 6 - Junio 18 a Julio 26
Ofertas relacionadas
