Programa especializado

Machine Learning aplicado con Python

Presentación

Construye modelos de regresión y clasificación para resolver problemas empresariales.

Descargar Brochure

¿A quiénes va dirigido?

Analistas de Datos y Business Intelligence.
Analistas de Riesgo, Finanzas y Marketing.
Profesionales de Planeamiento, Operaciones y Comercial.
Científicos de datos junior.
Economistas, Ingenieros e Investigadores.
Profesionales que buscan incorporar modelos predictivos a sus procesos de negocio.

Inscríbete

Ruta de Aprendizaje

Módulo 1

Limpieza y Preparación de Datos

Objetivo

Aprender a preparar y analizar datasets, eliminando ruido y resolviendo problemas comunes.

Contenidos

1. Tipos de correlación entre variables

• Cuantitativas ↔ cuantitativas: Pearson, Spearman, Kendall.

• Cualitativa ↔ cualitativa: Chi2, Cramer’s V.

• Cuantitativa ↔ cualitativa: ANOVA, test t.

2. Detección y tratamiento de valores atípicos

• Atípicos univariados: IQR, z-score, truncamiento con .clip().

• Atípicos multivariados: métodos de distancia y de densidad

• Tratamiento: eliminación, transformación (log, raíz, Box-Cox), Winsorización.

3. Manejo de valores perdidos

• Tipologías: MCAR, MAR, MNAR.

• Identificación: cuantificación, test MCAR.

• Imputación: constante, media, mediana, aleatoria, KNN, imputación múltiple.

Módulo 2

Machine Learning con Python e Introducción a FastAPI

Objetivo

Aprender a construir modelos predictivos utilizando las principales técnicas de Machine Learning y conoce los fundamentos para implementar modelos mediante APIs.

Contenidos

1. Fundamentos de Machine Learning

·Flujo general de un proyecto de Machine Learning.

·Aprendizaje supervisado y no supervisado.

·Preparación de datos para modelamiento.

·Sobreajuste, subajuste y regularización.

2. Modelos de regresión y clasificación

·Modelos de regresión: lineal, polinómica y regularizada.

·Métodos basados en distancias y árboles de decisión.

·Modelos ensamblados: Random Forest, Gradient Boosting, XGBoost, LightGBM y CatBoost.

·Modelos de clasificación: regresión logística, Naive Bayes, SVM, KNN y árboles.

3. Evaluación, validación y selección de modelos

·Métricas para regresión y clasificación.

·Validación cruzada y comparación de modelos.

·Ajuste de hiperparámetros mediante búsqueda sistemática.

·Selección del modelo final según desempeño e interpretación.

4. Introducción a FastAPI para modelos predictivos

·Exportación e importación de modelos con pickle o joblib.

·Concepto básico de API aplicada a modelos de Machine Learning.

·Creación de un endpoint simple para recibir datos y devolver predicciones.

·Prueba básica de la API y organización inicial del proyecto.

CERTIFICACIÓN

Obtén tu certificación con código de validación y QR únicos. Este reconocimiento se otorgará a los participantes que aprueben satisfactoriamente las evaluaciones del programa

Docente

Sergio Díaz Paredes

Economista por la UNMSM, magíster en Estadística Aplicada por la UNALM y candidato a magíster en Ciencias de la Computación por la UNSA. Cuenta con certificaciones en ciencia de datos por IBM y especializaciones en Pricing Analytics y SQL por DMC Perú. Ha sido analista senior en LOS ANDES y Globokas Perú, aplicando modelos predictivos y herramientas estadísticas. Difusor de herramientas oper source y metodos cuantitativos en Linkedin.