El curso entrega fundamentos teóricos y prácticos en relación a la construcción y evaluación de los principales algoritmos machine learning utilizados en organizaciones tanto públicas como privadas.

De esta manera, los alumnos serán capacitados tanto en técnicas de aprendizaje no supervisadas (Clustering y Reglas de Asociación), como técnicas de aprendizaje supervisado (regresión lineal y logística, K vecinos más cercanos, árboles de decisión, redes neuronales, support vector machine). Finalmente, el curso cuenta con un módulo práctico en Python para la implementación de cada una de las técnicas mencionadas anteriormente.

OBJETIVO

Brindar el conocimiento y los campos de aplicación del machine learning, con un enfoque teórico y práctico, soportados con casos de éxito en diversos sectores.
CONTENIDO

• Introducción a machine learning.
  • Principales ramas de investigación.
  • Modelamiento y evaluación de modelos de machine learning.
•  Aprendizaje no supervisado.
  • Clustering.
  • Reglas de asociación.
•  Aprendizaje supervisado.
  • Modelos de regresión.
  • Modelos de clasificación.
•  Aprendizaje reforzado 
  • Upper Confidence Bound.