El Aprendizaje Automático (Machine Learning (ML) es una rama del conocimiento que tiene un gran auge y una amplia aplicabilidad. Para acceder al tipo de conocimiento, que permita manejar con propiedad los retos de este campo, es necesario tener dominio de las sus diferentes tareas y herramientas.
Uno de los retos de mayor importancia en la actualidad es la implementación de soluciones robustas de ML en todos los ámbitos (la industria, los negocios, el comercio y demás). Este curso facilita un conocimiento práctico de los diferentes procesos en ML, de los retos y la manera como se convierten en tareas que pueden ser abordadas con las diferentes herramientas creadas para solucionarlos.
El curso está creado en su totalidad en Python, un lenguaje sencillo y con un amplio ecosistema para el trabajo con tareas de ML y está diseñado para brindar las competencias y habilidades necesarias para implementar soluciones de ML a alto nivel, brindar la oportunidad de actualizar habilidades para identificar los diferentes procesos en ML, asociar retos con tareas y herramientas de ML, con el fin de encontrar soluciones robustas a los retos actuales en el campo de ML.
Ofrecer los medios para que los participantes puedan aplicar las herramientas y métodos implementados en ML para la solución de retos en la industria y la investigación.
El curso está dividido en 7 módulos, cada uno de los cuales corresponde a un encuentro de tres horas, dos veces por semana. En el curso se aplica la regla de las tres A (Adquisición, Asimilación y Aplicación) para lograr un proceso de aprendizaje óptimo.
En cada módulo se propone un tema, se dan algunos elementos conceptuales necesarios para la familiarización con el mismo (adquisición), se ilustra y refuerza el tema con ejemplos completos (asimilación).
Durante el curso se propone un reto que debe ser desarrollado haciendo uso de las competencias adquiridas (aplicación). El reto propuesto es desarrollado como un proyecto cuya implementación es presentada y discutida al final del curso. El programa está acompañado de material de refuerzo en hojas de Colab, archivos PDF y conjuntos de datos, enviados a cada participante del curso.
Profesionales con conocimientos de estadística, Python y manejo de fundamentos de ML, interesados en mejorar sus habilidades para la realización de proyectos y la implementación de soluciones de ML.
Docentes
Ph. D. en Física y Matemáticas. Realizó estudios de pregrado y postgrado en Bielorrusia (exUnión Soviética), jefe del Laboratorio de Interacciones Fundamentales en el Instituto de Problemas Nucleares de la Universidad Estatal de Bielorrusia y TEAM leader de dicho instituto en la Colaboración CMS (CERN). Trabajó como miembro asociado del CERN durante 12 años. Miembro de las Colaboraciones CMS (CERN) y DUNE (FERMILAB, EE. UU). Participó en el descubrimiento del bosón de Higgs (CERN, 2012), autor de más de 900 publicaciones científicas.
En la Universidad EIA es docente de pregrado de Física y laboratorios. Conduce los semilleros de Análisis de Datos (AD), Física de Partículas Elementales y Altas Energías (FPEAE) y ha dictado los cursos de Educación Continua sobre Ciencia de Datos y Métodos Estadísticos en Computación MEC y de Ciencia de Datos.
Tarifas
Comunidad EIA: estudiantes pregrado y posgrado, empleados y egresados
Pronto pago hasta el 14 de mayo de 2025
Aliados
Pronto pago hasta el 14 de mayo de 2025
Plena
Pronto pago hasta el 14 de mayo de 2025
Consulta la lista de empresas convenio:
Educación Continua
- Días y horarios: miércoles y viernes de 6:00 a 9:00 p.m.
- Fecha: del 28 de mayo al 18 de junio de 2025
- Modalidad: Online sincrónico
- Duración: 21 horas
