Machine Learning | Instituto Humai: Inteligencia Artificial y Ciencia de Datos sin fines de lucro
Domina el Machine Learning: Desde Fundamentos hasta Modelos Avanzados con el Instituto Humai. Aprende con clases prácticas y teóricas, desde regresión lineal hasta redes neuronales. ¡Transforma tus habilidades y sé un experto en datos!
5.0
(1)
28 learners
What you'll learn
- Comprender los fundamentos y el proceso del Machine Learning.
- Aplicar técnicas de regresión lineal y modelos de regresión logística.
- Evaluar y ajustar modelos utilizando métricas y técnicas de regularización.
- Implementar y optimizar algoritmos de sistemas de recomendación y aprendizaje no supervisado.
This course includes
- 16 hours of video
- Certificate of completion
- Access on mobile and TV
Course content
1 modules • 66 lessons • 16 hours of video
Curso Integral de Machine Learning para Principiantes
66 lessons
• 17 hours
Curso Integral de Machine Learning para Principiantes
66 lessons
• 17 hours
- ¿Qué es Machine Learning? - Clase 1 - Parte 1 21:05
- Overview del proceso - Machine Learning - Clase 1 - Parte 2 09:36
- Algoritmos - Machine Learning - Clase 1 - Parte 3 12:31
- Modelos - Machine Learning - Clase 1- Parte 4 25:51
- Regresión Lineal Simple (RLS) - Machine Learning - Clase 1 - Parte 5 12:20
- Regresión Lineal Simple (RLS) - Machine Learning - Clase 1 - Parte 6 15:55
- Regresión Lineal Múltiple - Machine Learning - Clase 2 - Parte 1 10:28
- Estimación e interpretación - Machine Learning - Clase 2 - Parte 2 08:11
- Regresión Lineal Múltiple - Machine Learning - Clase 2 - Parte 3 17:47
- Variables categóricas - Machine Learning - Clase 2 - Parte 4 17:58
- Variables categóricas - Machine Learning - Clase 2 - Parte 5 16:10
- Evaluación del modelo - Machine Learning - Clase 2 - Parte 6 09:23
- Técnicas de evaluación - Machine Learning - Clase 2 - Parte 7 11:44
- Métricas de evaluación - Machine Learning - Clase 2 - Parte 8 15:58
- Diagnóstico del modelo - Machine Learning - Clase 2 - Parte 9 10:59
- Regularización - Machine Learning - Clase 3 - Parte 1 13:16
- Train - Test - Cross Validation - Machine Learning - Clase 3 - Parte 2 08:03
- Regularización - Machine Learning - Clase 3 - Parte 3 33:07
- Hiperparámetros - Machine Learning - Clase 3 - Parte 4 06:44
- Hiperparámetros - Machine Learning - Clase 3 - Parte 5 08:33
- Feature Engineering - Machine Learning - Clase 3 - Parte 6 11:55
- Feature Engineering - Machine Learning - Clase 3 - Parte 7 09:56
- Pipelines - Machine Learning - Clase 3 - Parte 8 07:04
- Problemas de clasificación - Machine Learning - Clase 4 - Parte 1 09:51
- Problemas de clasificación - Machine Learning - Clase 4 - Parte 2 03:32
- Regresión logística - Machine Learning - Clase 4 - Parte 3 03:13
- Interpretación - Machine Learning - Clase 4 - Parte 4 06:54
- Regresión logística - Machine Learning - Clase 4 - Parte 5 09:56
- Métricas de evaluación - Machine Learning - Clase 4 - Parte 6 21:22
- Métricas de evaluación - Machine Learning - Clase 4 - Parte 7 07:36
- Desbalanceo de clases - Machine Learning - Clase 4 - Parte 8 06:52
- Balanceo de clases - Machine Learning - Clase 4 - Parte 9 05:36
- K-Nearest Neighbours y Árboles de Decisión - Machine Learning - Clase 5 - Parte 1 05:57
- KNN - El rol de K - Machine Learning - Clase 5 - Parte 2 05:14
- KNN Predicciones - Machine Learning - Clase 5 - Parte 3 12:57
- Modelos no paramétricos - Machine Learning - Clase 5 - Parte 4 16:12
- Árboles de Decisión - CARTs - Machine Learning - Clase 5 - Parte 5 14:08
- Árboles de Decisión - Machine Learning - Clase 5 - Parte 6 17:53
- Árboles de Decisión - Machine Learning - Clase 5 - Parte 7 17:59
- Ensamble - Machine Learning - Clase 6 - Parte Teoría 42:54
- Ensambles: Baggin & Boosting - Machine Learning - Clase 6 - Práctica 1 25:04
- Boosting - Machine Learning - Clase 6 - Parte Práctica 2 13:01
- Intro y XGBoost - Machine Learning - Clase 7 - Parte 1 05:44
- Función objetivo - Machine Learning - Clase 7 - Parte 2 09:46
- Métodos de árboles - Machine Learning - Clase 7 - Parte 3 11:02
- LightGBM - Machine Learning - Clase 7 - Parte 4 18:22
- XGBoost, LightGBM, CatBoost y NGBoost - Práctica - Machine Learning - Clase 7 - Parte 5 21:35
- XGBoost, LightGBM, CatBoost y NGBoost - Práctica - Machine Learning - Clase 7 - Parte 6 04:10
- Detección de anomalías y explicabilidad de los modelos - Machine Learning - Clase 8 - Parte 1 10:51
- Isolation Forest para detección de anomalías - Machine Learning - Clase 8 Parte 2 19:13
- Explicabilidad de modelos - Feature importance - Machine Learning - Clase 8 Parte 3 17:08
- Explicabilidad de modelos- Shap values - Machine Learning - Clase 8 Parte 4 06:59
- Series de tiempo - Machine Learning - Clase 9 - Parte 1 13:25
- ARIMA Panorama de los modelos tradicionales - Machine Learning - Clase 9 - Parte 2 20:21
- Series de tiempo - Modelos estadísticos Machine Learning - Clase 9 - Parte 3 15:38
- ARIMA - Machine Learning - Clase. 9 - Parte 4 13:06
- Prophet - Machine Learning - Clase. 9 - Parte 5 06:33
- Prophet. El modelo aditivo más usado - Machine Learning - Clase. 9 - Parte 6 18:10
- Implementación de Prophet - Machine Learning - Clase 9 - Parte 7 10:32
- Aprendizaje no supervisado - Machine Learning - Clase 10 - Parte 1 17:00
- Aprendizaje no supervisado - Machine Learning - Clase 10 - Parte 2 13:26
- Aprendizaje no supervisado - Machine Learning - Clase 10 - Parte 3 51:29
- Sistemas de Recomendación - Machine Learning - Clase 11 - Parte 1 01:13:51
- Sistemas de Recomendación Práctico - Machine Learning - Clase 11 - Parte 2 33:27
- clase cooptimizada fundamentos ML 14 11 24 48:24
- Bienvenida Curso de Machine Learning 09:06
Related learning topics
Take this course with you
Download the app to continue lessons from your phone anytime.
