preloder
aumentar disminuir

¿QUÉ HACEMOS?

Introducción a machine learning

Del 24 de noviembre al 17 de diciembre

Martes y jueves (9 a 12 hrs.) VIRTUAL
descargar ver

Introducción

 

Este es un curso de nivel introductorio al aprendizaje automático, mejor conocido como machine learning (ML). El ML es un área de las ciencias computacionales que estudia el desarrollo de modelos estadísticos basados en datos para que pueden desempeñar una tarea básica, típicamente hacer una predicción, clasificar en categorías, agrupar elementos similares, recomendar un producto, etc.

 

Iniciaremos abordando los principales temas conceptuales del aprendizaje automatizado y más adelante nos enfocaremos en la parte práctica, donde veremos las técnicas de ML más utilizadas usando la librería scikit-learn de Python.

 

Consideramos importante presentar la fundamentación matemática de los modelos que usaremos para entender mejor el funcionamiento de los métodos. Aunque no nos extenderemos a detalle en esta parte, al menos presentaremos las fórmulas más importantes de cada técnica, describiremos los parámetros básicos de las ecuaciones y proporcionaremos referencias donde se puede consultar a profundidad.

Objetivos

El objetivo general del curso es aprender los elementos conceptuales básicos de ML y a implementar de forma práctica los algoritmos más populares para hacer regresión, clasificación, clusterización y reducción de dimensionalidad. En específico lo objetivos del curso son:

 

  • Entender qué es ML y en qué área dentro del panorama de la ciencia de datos se inscribe.
  • Comprender las diferencias entre ML y la estadística tradicional.
  • Estudiar los pasos previos antes de estimar un modelo de ML.
  • Aprender a usar las funciones para preprocesamiento de datos de Scikit-learn.
  • Aprender a estimar modelos de regresión, clasificación, reducción de dimensionalidad y clusterización.
  • Aprender a usar el proceso de validación cruzada para evaluar el desempeño de los modelos.
  • Aprender a usar Pipelines para encadenar múltiples procedimientos en un proyecto de ML.

Público objetivo

 

Asumimos que los participantes cuentan con los conocimientos equivalentes a los de cursos universitarios de cálculo diferencial, álgebra lineal y estadística. Esperamos que tengan experiencia en manejo de datos y estimación de modelos estadísticos básicos (regresión lineal).

 

También asumimos que cuenta con los siguientes conocimientos básicos de Python:

 

  • Conocimiento estructuras de datos: tuplas, listas, diccionarios, conjuntos.
  • Manejo de datos con Pandas
  • Visualización con Matplotlib

 

Se recomienda haber tomado previamente los siguientes cursos que también se ofrece dentro de la Escuela de Métodos del LNPP:

  • Introducción a Python y Manejo de datos
  • Visualización de datos con Python
  • Estadística descriptiva y probabilidad

 

 

Sesiones

 

El módulo está dividido en ocho sesiones, cada una de tres horas. A continuación, enlisto los temas que cubriremos:

  • Introducción a ML.
  • Pasos en un proyecto de ML
  • Ejemplo de un proyecto completo de ML usando regresión lineal
  • Modelos lineales de regresión: regresión lineal, ridge regression, lasso, elastic net
  • Modelos de clasificación: logit, multinomial logit
  • Support Vector Machines
  • Árboles de Clasificación y regresión, Random Forest y Boosting models
  • K vecinos más cercanos
  • Reducción de dimensionalidad: PCA, SVD y tSNE.
  • Clusterización

 

 

Bibliografía

  • Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. ” O’Reilly Media, Inc.”.
  • Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. ” O’Reilly Media, Inc.”.
  • Friedman, J., Hastie, T., & Tibshirani, R. (2009). The elements of statistical learning (2 ed). New York: Springer series in statistics.

Profesor

Juan Javier Santos Ochoa

E-mail: juan.santos@cide.edu

 

Formato: Curso modo virtual

 

 

Requisitos de admisión

 

Para inscribirte en la Escuela de Métodos del LNPP del CIDE, el solicitante deberá:

 

  • Realizar un pago de $5,000.00 m/n
  • Descargar el formato de inscripción [link] https://tinyurl.com/snprnj5
  • Llenar la información que ahí se pide, firmar el documento y escanearlo

 

Posteriormente, deberá enviar 3 documentos al correo electrónico: hugo.arredondo@cide.edu

 

  1. El comprobante de pago
  2. Eformato de inscripción debidamente firmado y requisitado
  3. Una identificación oficial (INE, licencia, cédula, etc.)

 

 

Precio y forma de pago

 

El pago a cubrir por cada uno de los cursos es de $5,000.00 m/n (cinco mil pesos 00/100 m.n.), la cual deberá ser cubierta en una sola exhibición.

 

El depósito o transferencia bancaria se deberá hacer al banco HSBC a nombre de Centro de Investigación y Docencia Económicas, A. C. a la cuenta número: 4039603584, sucursal número 0763 (Lilas), CLABE: 021180040396035842.

 

 

Especificaciones a considerar

 

Para quedar inscrito(a) se deberá cubrir el pago dos días hábiles antes del inicio del curso. Bajo ninguna circunstancia se otorgarán prórrogas.

 

El pago y recepción de su depósito es requisito indispensable para quedar inscrito(a).

 

Si se requiere factura, deberá solicitar la generación del documento al correo hugo.arredondo@cide.edu

 

En caso de que, por causas de fuerza mayor,  se cancelara el curso, deberá enviar un estado de cuenta (puede bloquear datos personales), así como su RFC al correo hugo.arredondo@cide.edu

 

 

 

Cupo máximo del curso:

 

20 personas, excepto casos excepcionales.

 

Mayores informes:

 

escuelademetodos@lnpp.mx

  •  
SUBIR
COMENTARIOS.png