MACHINE LEARNING CON PYTHON
Introducción práctica a machine learning con scikit-learn. Integración con Google Cloud y BigQuery. Construir, entrenar y evaluar modelos de clasificación, regresión y análisis predictivo.
Introducción práctica a machine learning orientada a análisis digital. Aprenderás conceptos fundamentales, pipeline completo de ML, preparación de datos, escalado, selección de features, algoritmos de clasificación y regresión con scikit-learn.
Domina evaluación de modelos, validación cruzada, tuning de hiperparámetros y análisis de importancia de features. Integración con Google Cloud Platform, BigQuery para análisis a escala, y deployment de modelos en producción con Vertex AI.
Herramientas que usarás
¿Para quién es este curso?
Para profesionales de análisis digital que necesitan implementar modelos predictivos, forecasting y análisis avanzado en escala empresarial.
- Analistas de datos y científicos de datos
- Especialistas en análisis digital avanzado
- Consultores de optimización y predicción
- Profesionales en business intelligence
- Ingenieros de datos
- Especialistas en marketing analytics predictivo
Temario
Lo que vas a aprender, unidad a unidad
- 01
Fundamentos de Machine Learning
Conceptos fundamentales: aprendizaje supervisado vs no supervisado, fases del proyecto, pipeline de ML, división de datos, escalado y normalización, selección de features, manejo de desbalance de clases y gestión de versiones.
- 02
Algoritmos de Clasificación
Algoritmos: regresión logística, árboles de decisión, random forests, gradient boosting, ensemble methods. Validación cruzada, hiperparámetros, cross-validation, GridSearch para optimización.
- 03
Algoritmos de Regresión
Regresión lineal simple y múltiple, regularización Ridge y Lasso, regresión con árboles, Random Forest Regressor, Gradient Boosting Regressor. Evaluación con R-squared, MAE, RMSE.
- 04
Evaluación, Validación e Interpretabilidad
Métricas: accuracy, precision, recall, F1, AUC. Matrices de confusión, curvas ROC y PR, cross-validation k-fold. SHAP para explicabilidad, LIME para predicciones locales.
- 05
Integración con Google Cloud y BigQuery
Conexión a BigQuery desde Python, ejecución de queries SQL, importación de datos para ML, Vertex AI para entrenamiento automático, deployment de modelos como APIs, monitoreo en producción.
Profesores
Profesionales en activo, no académicos
Todos nuestros profesores son profesionales en activo que trabajan día a día con las herramientas y metodologías que enseñan. En WAT creemos que la mejor formación viene de quienes aplican el conocimiento en proyectos reales, no solo de quienes lo leen en libros.
Resultados
Qué vas a conseguir
- Diferenciar entre aprendizaje supervisado y no supervisado
- Implementar pipeline completo de ML desde datos crudos
- Preparar features: escalado, normalización, codificación
- Entrenar y evaluar modelos de clasificación y regresión
- Aplicar validación cruzada y evitar overfitting
- Optimizar hiperparámetros con GridSearch
- Interpretar importancia de features e importancia de modelos
- Integrar BigQuery y desplegar modelos en Google Cloud
Por qué WAT
En otras escuelas vs En WAT
En otras escuelas
- Cursos teóricos sin enfoque en análisis digital práctico
- Falta de integración con Google Cloud y BigQuery
- Ausencia de explicabilidad e interpretabilidad de modelos
- Sin cobertura de deployment en producción
En WAT
- Enfoque práctico en análisis digital desde el inicio
- Integración nativa con Google BigQuery y Vertex AI
- Cobertura completa de explicabilidad con SHAP y LIME
- Deployment real en Google Cloud Platform
Preguntas frecuentes
FAQs
¿Cuál es la diferencia entre clasificación y regresión?
Clasificación predice categorías discretas (sí/no, A/B/C). Regresión predice valores continuos (precio, cantidad).
¿Qué es overfitting?
Ocurre cuando el modelo memoriza datos de entrenamiento y no generaliza a datos nuevos. Lo prevenimos con validación cruzada, regularización y ajuste de hiperparámetros.
¿Cómo elijo entre algoritmos?
Depende del problema, tamaño de datos, interpretabilidad requerida y rendimiento. Usamos cross-validation y comparación de métricas para seleccionar.
¿Puedo usar BigQuery directamente?
Sí. Cubrimos conexión desde Python, consultas SQL en BigQuery y entrenamiento con datos directamente desde BigQuery.
¿Qué es Vertex AI?
Plataforma de Google Cloud para MLOps. Permite entrenar modelos a escala, deployment, monitoreo y retraining automático.
Cursos relacionados
Sigue formándote en DATA
Data Engineering
GESTIÓN DE DATOS EN LA NUBE
Curso integral: Big Data fundamentals, estadística, bases de datos, SQL avanzado, Python para datos, pipelines ETL, Google Cloud, machine learning aplicado y governance de datos.
Data Engineering
CURSO DBT (DATA BUILD TOOL)
Domina dbt como herramienta estándar de transformación de datos. Aprende modelado con SQL+Jinja, testing, documentación y despliegue de pipelines en BigQuery y Snowflake con buenas prácticas.
Data Engineering
TRATAMIENTO DE DATOS EN PYTHON
Competencias prácticas en tratamiento y transformación de datos con Python. Librerías pandas, numpy, matplotlib y seaborn. Limpieza, transformación, análisis exploratorio y visualización de datos.
¿Preparado para dar el siguiente paso?
Déjanos tu email y un asesor te contactará para resolver dudas y ayudarte a reservar plaza.