​​ #

Bootcamp
Machine Learning con Python
(Virtual)

Objetivos:

Dotar a los participantes de las herramientas, conocimientos y técnicas avanzados necesarios para desarrollar modelos matemáticos y analíticos basados en datos.

El desarrollo de modelos conlleva:

• Manipulación de Datos

• Análisis Exploratorio de Datos

• Preprocesamiento de Datos

• Entrenamiento de Modelos

• Evaluación de Modelos

• Explicabilidad de Modelos

• Reproducibilidad de Modelos (Puesta en producción)

• Monitoreo de Modelos

Dirigido a:

Profesionales, técnicos y/o estudiantes que deseen desarrollar habilidades en el área de Machine Learning, Deep Learning y Analitica Avanzada de Datos.

Herramientas necesarias:

• Computadora
• Preferiblemente dos monitores (opcional)
• Acceso a internet

Requisitos mínimos:

• Conocimiento de Python (Pandas, Numpy, listas, diccionarios, For loops, etc)
• Conocimientos básicos de estadística.
• Computadora con sistema operativo Windows

Facilitador:

Ing. Gilberto Almonte Frías

Ingeniero Industrial con Maestría en Consultoría y Auditoría de Sistemas de Calidad y Excelencia (Universidad Camilo José Cela, España) y Maestría en Administración y Dirección de Empresas - MBA (Universidad Isabel I, España), además posee las certificaciones internacionales de Lean Six Sigma Black Belt, Capital Market and Securities Analyst, Data Scientist y Machine Learning Scientist. Especializado en mercado de capitales, análisis financiero, gestión de riesgos y mejora continua.​

Contenido:

Módulo 1: Fundamentos de Machine Learning
• Qué es el Machine Learning
• Machine Learning vs IA
• Tipos de modelos de Machine Learning
• Workflow de Machine Learning
• Overfitting, Underfitting y Preprocesamiento de Datos

Módulo 2: Algoritmos Tradicionales
• Aprendizaje supervisado regresión: regresión lineal, KNN
• Aprendizaje supervisado clasificación: regresión logística, árboles de decisión
• Aprendizaje no supervisado de clusterizacion: k means, Gaussian mixture models
• Aprendizaje no supervisado de reducción de dimensionalidad: PCA

Módulo 3: Algoritmos Avanzados
• Métodos de ensamble: XGBoost, LightGBM, Random Forest
• Redes neuronales Multicapas: clasificación y Regresion
• Redes neuronales Convolucionales: Clasificación de imágenes

Módulo 4: Técnicas de optimización de modelo
• Búsqueda de mejores hiperparametros exhaustiva: GridSearch
• Búsqueda de mejores hiperparametros aleatoria: RandomizedSearch
• Búsqueda de mejores hiperparametros probabilistica: BayesianSearch
• Balanceo de Datos con Smote: Smote clásico, SmoteTomek, smoteenn
• Técnicas de selección de variables: Boruta, Recursive Feature Elimination.

Módulo 5: Técnicas de Explicabilidad
• SHAP para explicación Global
• SHAP para explicación Local
• Contrafactual con DiCE

Módulo 6: Procesamiento del Lenguaje Natural
• Procesamiento del Lenguaje Natural para Análisis de Textos
• Procesamiento del Lenguaje Natural para Análisis de Sentimiento
• Procesamiento del Lenguaje Natural para Motor de Recomendación

Información:

Fecha:
Del 9 de abril al 19​ de mayo de 2025

Horario:
Lunes y miércoles de 7:00 p.m. - 10:00 p.m.

Duración:
36 horas

Inversión:
RD$16,000

Coordinación:
Campus de Santo Domingo

Modalidad:
Virtual

Formulario de Inscripción
​