Skip to main content

ML Engineering

¿Qué aprenderás?​

En este programa aprenderás los fundamentos de programación en Python, incluyendo estructuras de datos, control de flujo, funciones, programación orientada a objetos y el uso de la biblioteca Pandas. También explorarás matemáticas y estadísticas esenciales para Machine Learning, como álgebra lineal, cálculo, estadística básica y probabilidad. Además, te introducirás en los conceptos fundamentales de Machine Learning, incluyendo el preprocesamiento de datos, selección de características y evaluación de modelos. Finalmente, adquirirás habilidades en ingeniería de Machine Learning, como feature engineering, optimización de hiperparámetros y validación cruzada.

¿A quién está dirigido?​

Este curso está dirigido a estudiantes, profesionales y principiantes interesados en aprender programación y Machine Learning, así como a desarrolladores que deseen expandir sus habilidades hacia aplicaciones en ciencia de datos e inteligencia artificial. Es ideal para quienes buscan adquirir conocimientos prácticos y fundamentales en estas áreas, independientemente de su nivel de experiencia previa.

Stack​

El stack que usarás incluye Python como lenguaje principal, junto con bibliotecas clave como Pandas para manipulación de datos, NumPy para operaciones numéricas, Scikit-learn para implementar algoritmos de Machine Learning, y Matplotlib y Seaborn para visualización de datos. También utilizarás Jupyter Notebook como entorno interactivo para desarrollar y documentar tus proyectos, lo que te brindará una base sólida para trabajar en programación y Machine Learning.

Plan de Estudios​

Módulo 1: Fundamentos de Programación​

  - Introducción a la programación con Python.

  - Estructuras de datos y control de flujo en Python.

  - Funciones y módulos en Python.

  - Programación orientada a objetos en Python.

  - Pandas

Módulo 2: Matemáticas y Estadísticas​

  - Álgebra lineal para Machine Learning.

  - Cálculo para Machine Learning.

  - Estadística básica para Machine Learning.

  - Probabilidad y distribuciones para Machine Learning.

Módulo 3: Fundamentos de Machine Learning​

  - Introducción a Machine Learning.

  - Preprocesamiento de datos para Machine Learning.

  - Selección de características y reducción de dimensionalidad.

  - Evaluación y métricas de modelos.

Ingeniería de Machine Learning​

  - Feature engineering y transformación de datos.

  - Modelos avanzados y técnicas de ensamblado.

  - Optimización de hiperparámetros.

  - Validación cruzada y selección de modelos.

Módulo 5: MLOps​

Revisa los módulos Aquí