Machine Learning

La Certificación en Machine Learning para la Toma de Decisiones integra cuatro módulos complementarios Modelos Supervisados, Modelos No Supervisados, Minería de Datos y Redes Neuronales y Deep Learning para formar profesionales capaces de traducir objetivos de negocio en soluciones analíticas útiles y escalables. En Supervisados, el énfasis está en clasificación y regresión con prácticas de alto rigor: preparación e ingeniería de variables, validación cruzada, ajuste de hiperparámetros y evaluación con métricas como AUC, F1, RMSE y MAE, construyendo pipelines reproducibles en Python (scikit-learn) y aplicando criterios de interpretabilidad básica. No Supervisados se centra en descubrir patrones sin etiquetas mediante reducción de dimensionalidad (PCA, UMAP/t-SNE), clustering (k-means, jerárquico, DBSCAN) y redes de similitud para derivar variables latentes y KPI no observables que revelen segmentos y oportunidades estratégicas. Minería de Datos consolida el flujo CRISP-DM end-to-end comprensión, preparación, modelado, evaluación y despliegue inicial con foco en calidad de datos, documentación, gobernanza e iteración rápida usando pandas, scikit-learn y mlxtend. Finalmente, Redes Neuronales y Deep Learning ofrece una entrada accesible y aplicada (Keras/TensorFlow o PyTorch Lightning): componentes clave, elección de arquitecturas, buenas prácticas de entrenamiento y comparación con modelos clásicos, privilegiando comprensión, utilidad y riesgos (sobreajuste, sesgos). Al finalizar, el egresado formula preguntas medibles, selecciona técnicas con criterio, entrega insights accionables y lidera proyectos que convierten datos en decisiones con impacto.