Estandarte del emisor

Machine Learning | Talento Tech

Machine Learning | Talento Tech

Insignia otorgada a

Alan Fuentes


Emitida el 07 ago 2026 por

Ministerio de Educación Ciudad Autónoma de Buenos Aires

Ministerio de Educación Ciudad Autónoma de Buenos Aires

Vence: 07 ago 2028

La Dirección General Agencia de Habilidades para el Futuro, perteneciente al Ministerio de Educación de la Ciudad Autónoma de Buenos Aires, tiene la misión de promover, implementar y evaluar políticas y programas que brinden oportunidades educativas de calidad y fomenten el aprendizaje continuo para que jóvenes y adultos mejoren sus condiciones de empleabilidad. Talento Tech se enfoca en enseñar las habilidades técnicas/digitales más demandadas por el mercado de trabajo, fomentando la innovación, el emprendedurismo y promoviendo el desarrollo de perfiles empleables para el sector tecnológico productivo. Ofrece cursos de: Programación, Desarrollo y Calidad de Software, Datos, Diseño, Soporte y Seguridad. La oferta formativa “Machine Learning” está orientada a desarrollar competencias en el diseño, entrenamiento y evaluación de modelos predictivos, combinando la teoría del aprendizaje automático con su aplicación práctica en entornos colaborativos. El curso se propone que los/as estudiantes comprendan el ciclo completo del aprendizaje automático, desde la preparación y exploración de datos hasta la implementación y comunicación de resultados, utilizando herramientas como Google Colab, scikit-learn y Kaggle. Esta microcredencial constituye la etapa avanzada del trayecto de Datos, continuando la formación iniciada en Programación en Python, Bussiness Intelligencie y Data Analytics. Su propósito es formar perfiles capaces de resolver problemas reales mediante técnicas de modelado, clasificación y predicción, generando valor a partir de los datos. El auge de la inteligencia artificial y el análisis masivo de datos ha transformado los procesos de toma de decisiones en múltiples sectores. Las organizaciones demandan cada vez más profesionales con la capacidad de construir modelos de aprendizaje automático que permitan anticipar comportamientos, optimizar recursos y generar ventajas competitivas. En este contexto, esta propuesta brinda una formación práctica, actualizada y aplicable, alineada con los estándares internacionales del ecosistema de ciencia de datos. Promueve el pensamiento crítico, la autonomía en la resolución de problemas y la transferencia de conocimientos a proyectos reales. Dirigido a personas mayores de 18 años que hayan completado los cursos de Data Analytics con Python o cuenten con conocimientos previos en análisis y manipulación de datos. Se recomienda familiaridad con programación en Python y fundamentos estadísticos. Ideal para quienes buscan adentrarse en el campo de la inteligencia artificial y el aprendizaje automático aplicado.
#AnálisisdeDatos #CienciadeDatos #Estadística #HabilidadesParaElFuturo #MachineLearning #ModeladoPredictivo #Python #Scikit-Learn

Emisor

El Ministerio de Educación crea, promueve y ejecuta políticas educativas en sus niveles inicial, primario, secundario y superior, que conformen un sistema educativo único e integrado.

Criterios

El enfoque metodológico es práctico, orientado a proyectos (AOP) y basado en el aprendizaje colaborativo. Combina clases expositivas con demostraciones en vivo, resolución de ejercicios y análisis de casos reales, junto con el desarrollo guiado de proyectos en entornos como Google Colab y Kaggle. Además, promueve el trabajo colaborativo con feedback personalizado, incorporando instancias de evaluación continua y autoevaluación de los aprendizajes para fortalecer el proceso formativo.

CONTENIDOS A DESARROLLAR EN LAS UNIDADES TEMÁTICAS

  • Revisión de librerías y herramientas para análisis y visualización de datos (Pandas, Matplotlib, Seaborn, Plotly).
  • Fundamentos del aprendizaje automático: tipos de aprendizaje, ciclo de vida y aplicaciones.
  • Preprocesamiento y preparación de datos: normalización, codificación e ingeniería de características.
  • Modelos supervisados: regresión lineal, regresión logística, KNN, árboles de decisión y Random Forest.
  • Modelos no supervisados: clustering con K-Means y evaluación con métricas específicas.
  • Evaluación, validación y optimización de modelos: validación cruzada, pipelines y GridSearchCV.
  • Desarrollo de un proyecto integrador completo de Machine Learning con presentación de resultados.

OBJETIVOS DE APRENDIZAJE

  • Consolidar el uso de librerías de análisis y visualización de datos.
  • Comprender los fundamentos teóricos del aprendizaje supervisado y no supervisado.
  • Aplicar técnicas de preprocesamiento y feature engineering.
  • Desarrollar modelos de regresión y clasificación utilizando scikit-learn.
  • Implementar modelos no supervisados de clustering.
  • Evaluar y optimizar modelos mediante métricas y validación cruzada.
  • Automatizar flujos de trabajo con pipelines y GridSearchCV.
  • Elaborar y presentar un proyecto final integrador aplicando los conocimientos adquiridos.

EVALUACIÓN Y ACREDITACIÓN

  • 70% de asistencia a las clases sincrónicas.
  • Entrega y aprobación de los ejercicios y cuestionarios del campus virtual.
  • Presentación y aprobación del Proyecto Final Integrador.