Cursos de Aprendizaje Automático
Aprende a enseñar a las computadoras a aprender. Estos cursos cubren los conceptos y herramientas fundamentales del aprendizaje automático: desde el entrenamiento de modelos hasta la evaluación de predicciones y la creación de aplicaciones inteligentes.
4.5
Calificado según 315 reseñas.
5,521 AprendicesYa inscrito
Habilidades adquiridas:
A/B Test DesignAI Transparency AwarenessARIMA ModelingActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAjuste de HiperparámetrosAjuste de hiperparámetrosAlgorithm Evaluation and ComparisonAlgoritmos de Bandidos de Múltiples BrazosAlgoritmos genéticosAlignment and Generalization RisksAnomaly detection evaluation Análisis de componentes principales (PCA)Análisis de seriesApplied Calibration WorkflowsApproximate InferenceApproximate ReasoningAprendizaje automático con scikit-learnAprendizaje por Diferencia TemporalAutomated Search with scikit-learnBackward Difference CodingBagging and Random ForestsBayesian NetworksBayesian OptimizationBernoulli DistributionBias–Variance Trade-offs in High DimensionsBias–Variance TradeoffBoosting AlgorithmsCalibration Metrics (ECE, MCE, Brier Score)Caminatas aleatorias en grafosCatBoost ModelingCategorical Feature HandlingChi-Square AnalysisClasificación de nodosClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Cloud Compute PatternsCloud Data Science WorkflowsCloud Mental ModelsCloud Networking ConceptsCloud Storage ArchitecturesClustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Clustering jerárquico y dendrogramasCodificación de característicasCoefficient VisualizationCommittee-Based QueryingCompactness and ConvergenceConcentration of MeasureConceptos de GraphSAGEConditional IndependenceConjugate PriorsConstrucción de pipelinesContinuity and BoundednessConvergence TheoryConvex AnalysisCoordinate Reference SystemsCorrelation AnalysisCovarianza y descomposición en valores propiosCross-validation techniquesCurse of DimensionalityDBSCAN: manejo de ruido y formas irregularesData Access PatternsData Leakage PreventionData Preprocessing with TransformersData StorytellingData Visualization with matplotlib and seabornDeduplication AlgorithmsDegrees of TruthDensity-Weighted SamplingDeployment Best PracticesDescenso de gradienteDescomposición matricialDescriptive StatisticsDetección de valores atípicosDimensionality reduction evaluation Distance CollapseDistribuciones de probabilidadDocument ClusteringDocument Similarity MeasuresDrift Detection FundamentalsEffective DocumentationEmpirical Risk MinimizationEncoding Leakage PreventionEnsemble Learning FundamentalsEntrenamiento y Evaluación de ModelosEntrenamiento y evaluación de modelosEscalado de característicasEstimator IntrospectionEthical AI PrinciplesEvaluation Under Distribution ShiftExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploratory Data AnalysisExponential Family UnderstandingFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsForecast Evaluation MetricsForecasting StrategiesFormal Preference ModelingFunciones y conjuntosFunctional Analysis FoundationsFunctional Analysis in MLFundamentos de Aprendizaje por RefuerzoFundamentos de GymnasiumFundamentos y algoritmos de clusteringFuzzy If–Then RulesFuzzy Inference SystemsFuzzy Logical OperatorsFuzzy Matching in PythonFuzzy SetsGaussian DistributionGeneralization BoundsGeneralization in Learning TheoryGenerative Model ConnectionsGeometric Implications for ML AlgorithmsGeometric Intuition in High DimensionsGeospatial Data FundamentalsGeospatial VisualizationGestión de datos faltantes y categóricosGradient Boosting for TSGradient DescentGraph LaplaciansGraph Representation in PythonHelmert CodingHigh-Cardinality Feature EncodingHigh-Dimensional Data InterpretationHigh-Dimensional Geometry IntuitionHigh-Dimensional Statistical TheoryHilbert Spaces in LearningHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHypothesis TestingIdentity and Access ManagementImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImportance SamplingImputación de valores faltantesInductive BiasInformation-Theoretic LossesIngeniería de característicasIntegralesInteligencia de enjambreInteroperabilidad de datosInterpreting Generalization BoundsIntuición de incrustaciones en grafosIsolation Forest ImplementationIsotonic RegressionJupyter Notebook ProficiencyK-Means: principios y optimización de conglomeradosKernel MethodsKernel-based RegularizationKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKolmogorov–Smirnov TestL1, L2, and Elastic Net RegularizationLabel Efficiency TechniquesLearning Curve AnalysisLeave-One-Out EncodingLightGBM ModelingLikelihood vs ProbabilityLimpieza de datosLinear Algebra FoundationsLink PredictionLocal Outlier Factor AnalysisLoss Function Selection and ComparisonLímites y derivadasMLOps FundamentalsManejo de valores nulos en ArrowManual Search MethodsMarkov Chain Monte CarloMarkov Random FieldsMathematical Foundations of Loss FunctionsMathematical OptimizationMaximum-Margin SolutionsMean-CenteringMedidas estadísticasMembership FunctionsMinimum-Norm SolutionsModel BlendingModel Deployment with FastAPI and DockerModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel Selection UtilitiesModel-Based Drift DetectionModelo de datos ArrowModelos de Clasificación en PythonModelos de mezcla gaussiana: clustering probabilísticoMomentum MethodsMonitoring Model DegradationMonte Carlo IntuitionMultinomial DistributionMultivariate AnalysisMétodos de Programación DinámicaNeuroevoluciónNormalización de datos y métricas de distanciaNormalization (L1, L2, Max)Normed and Banach SpacesOffline vs Online Evaluation ReasoningOne-Class SVM for Novelty DetectionOperator TheoryOptimización evolutivaOptimización por enjambre de partículasOptimization Dynamics in RLHFOutlier Detection FundamentalsOverfitting and RegularizationPAC Generalization BoundsPGM Inference and LearningPattern MiningPipeline Automation with AirflowPipeline CompositionPipeline ConstructionPlatt ScalingPolynomial CodingPopulation Stability IndexPositive Definite KernelsPredicción de enlacesPreprocesamiento de DatosPreprocessing PipelinesPrincipal Component Analysis TheoryProbabilistic Graphical ModelsProbabilistic Model CalibrationProbability Distributions IntuitionProbability in Loss FunctionsProgramación en PythonPuntuación de similitud en grafosRIPPER AlgorithmRKHS FoundationsRademacher ComplexityReasoning over Knowledge GraphsRecord Linkage TechniquesReducción de dimensionalidadReglas de probabilidadRegresión LogísticaRegresión lineal con PythonRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regularization and Inductive BiasReliability DiagramsRepresentación de datos columnarRepresentación de grafos en PythonRepresenter TheoremReproducibility in ML WorkflowsReproducible Analysis HabitsReproducing PropertyReward Model TheoryRisk Minimization TheoryRobust Model AssessmentRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmSampling Strategies in MLSelección de característicasServerless and Event-Driven DesignSistemas inmunes artificialesSparsity and Effective DimensionalitySpatial Joins and OverlaysSpatial OperationsSpectral Graph TheorySpectral TheoryStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistical InterpretationStochastic OptimizationStress Testing ML ModelsTF-IDF WeightingTemporal ValidationTeorema de BayesTeoría de grafos para MLTheoretical OverfittingTime Series AnalysisTime Series WindowingTransformaciones linealesTransformación de datosTree-Based ForecastingTriple Scoring FunctionsTécnicas de Monte CarloUncertainty-Based QueryingUniform ConvergenceUso de la API de PyArrowVC DimensionVector Space ModelingVector and Raster Data HandlingVectores y matricesWeight-of-Evidence EncodingWhitening and DecorrelationWorkflow AutomationXAI Methods and ConceptsXGBoost Modelingscikit-learn API Usagescikit-learn Active Learning Implementationt-Norms and t-Conormst-test and z-test Application
Mostrar más¡Haz un breve cuestionario y acércate a tus metas!
80,000
Los estudiantes ya han completado con éxito los cursos y están aplicando sus habilidades en el lugar de trabajo
92%
Los usuarios encuentran útiles nuestros cursos
Cursos
Cursos
Explorar Aprendizaje Automático cursos y proyectos
4 horas
32 capítulos
2 horas 19 capítulos
3 horas 24 capítulos
4 horas 34 capítulos
5 horas 51 capítulos
1 hora 12 capítulos
2 horas 16 capítulos
2 horas 18 capítulos
2 horas 15 capítulos
1 hora 16 capítulos
1 hora 9 capítulos
1 hora 12 capítulos
Nivel
Tipo de Lección
Tecnologías
curso
Introducción al Aprendizaje Automático con Python
4 horas 32 capítulosIntermedio
9 ESTUDIANDO AHORA
Habilidades Adquiridas: Aprendizaje automático con scikit-learn, Entrenamiento y evaluación de modelos, Ajuste de hiperparámetros
curso
Regresión Lineal con Python
2 horas 19 capítulosIntermedio
3 ESTUDIANDO AHORA
Habilidades Adquiridas: Regresión lineal con Python, Entrenamiento y evaluación de modelos
curso
Clasificación con Python
3 horas 24 capítulosIntermedio
2 ESTUDIANDO AHORA
Habilidades Adquiridas: Programación en Python, Modelos de Clasificación en Python, Regresión Logística, Preprocesamiento de Datos, Entrenamiento y Evaluación de Modelos, Ajuste de Hiperparámetros
curso
Análisis de Conglomerados con Python
4 horas 34 capítulosIntermedio
2 ESTUDIANDO AHORA
Habilidades Adquiridas: Fundamentos y algoritmos de clustering, Gestión de datos faltantes y categóricos, Normalización de datos y métricas de distancia, K-Means: principios y optimización de conglomerados, Clustering jerárquico y dendrogramas, DBSCAN: manejo de ruido y formas irregulares, Modelos de mezcla gaussiana: clustering probabilístico
curso
Matemáticas para Ciencia de Datos
5 horas 51 capítulosPrincipiante
9 ESTUDIANDO AHORA
Habilidades Adquiridas: Funciones y conjuntos, Análisis de series, Límites y derivadas, Integrales, Descenso de gradiente, Vectores y matrices, Transformaciones lineales, Descomposición matricial, Reglas de probabilidad, Teorema de Bayes, Medidas estadísticas, Distribuciones de probabilidad
curso
Preprocesamiento de Datos y Diseño de Características
1 hora 12 capítulosPrincipiante
3 ESTUDIANDO AHORA
Habilidades Adquiridas: Limpieza de datos, Imputación de valores faltantes, Detección de valores atípicos, Codificación de características, Escalado de características, Transformación de datos, Ingeniería de características, Selección de características, Construcción de pipelines
curso
Evaluation Metrics in Machine Learning with Python
2 horas 16 capítulosIntermedio
2 ESTUDIANDO AHORA
Habilidades Adquiridas: Classification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) , Regression metrics (MSE, RMSE, MAE, R²) , Clustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) , Dimensionality reduction evaluation , Anomaly detection evaluation , Cross-validation techniques
curso
Exploratory Data Analysis with Python
2 horas 18 capítulosPrincipiante
Habilidades Adquiridas: Exploratory Data Analysis, Descriptive Statistics, Data Visualization with matplotlib and seaborn, Correlation Analysis, Multivariate Analysis, Data Storytelling
curso
Loss Functions in Machine Learning
2 horas 15 capítulosIntermedio
Habilidades Adquiridas: Mathematical Foundations of Loss Functions, Risk Minimization Theory, Regression Loss Analysis, Classification Loss Analysis, Information-Theoretic Losses, Loss Function Selection and Comparison
curso
Algoritmos Bioinspirados
1 hora 16 capítulosPrincipiante
1 ESTUDIANDO AHORA
Habilidades Adquiridas: Optimización evolutiva, Inteligencia de enjambre, Algoritmos genéticos, Optimización por enjambre de partículas, Sistemas inmunes artificiales, Neuroevolución
curso
Feature Encoding Methods in Python
1 hora 9 capítulosIntermedio
Habilidades Adquiridas: Weight-of-Evidence Encoding, Leave-One-Out Encoding, Helmert Coding, Backward Difference Coding, Polynomial Coding, High-Cardinality Feature Encoding, Encoding Leakage Prevention
curso
Feature Selection and Regularization Techniques in Python
1 hora 12 capítulosPrincipiante
Habilidades Adquiridas: Overfitting and Regularization, L1, L2, and Elastic Net Regularization, Feature Selection Methods, Pipeline Construction, Hyperparameter Tuning, Coefficient Visualization
Ventajas de Codefinity
Aprendizaje asistido por IA
¡Abraza la fascinación de las habilidades tecnológicas! Nuestro asistente de IA proporciona retroalimentación en tiempo real, pistas personalizadas y explicaciones de errores, empoderándote para aprender con confianza.
Espacios de trabajo
Con Espacios de trabajo, puedes crear y compartir proyectos directamente en nuestra plataforma. Hemos preparado plantillas para tu conveniencia
Rutas de aprendizaje
Toma el control de tu desarrollo profesional y comienza tu camino hacia el dominio de las últimas tecnologías
Proyectos del mundo real
Los proyectos del mundo real elevan tu portafolio, mostrando habilidades prácticas para impresionar a posibles empleadores
Por qué Codefinity se destaca
Contenido de video
Materiales descargables
Certificados prestigiosos
Entorno de aprendizaje interactivo
Corrección de errores
Asistente de IA
Acceso a todo el contenido con una suscripción
Codefinity
Plataformas de aprendizaje basadas en video
Codefinity
Plataformas de aprendizaje basadas en video
Contenido de video
Materiales descargables
Certificados prestigiosos
Entorno de aprendizaje interactivo
Corrección de errores
Asistente de IA
Acceso a todo el contenido con una suscripción
Oportunidades de carreraConoce las profesiones más populares, los salarios promedio y las empresas que buscan activamente especialistas en este campo.
Científico de Datos
Ingeniero de Aprendizaje Automático
Ingeniero de PLN
Ingeniero de Aprendizaje Profundo
Científico de Aprendizaje Automático
$149k
$197k
$246k
Min
Average
Max
Salario anual
(Promedio en EE.UU.)
Empresas contratantes
*Fuente: Glassdoor
Elegido por estudiantes de las mejores escuelas
Incluyendo 30 de las 30 mejores universidades de EE.UU.
Cursos de Aprendizaje Automático: Información clave y preguntas
Introducción a los cursos de Aprendizaje Automático
El Aprendizaje Automático (Machine Learning, ML) es un campo de la inteligencia artificial que permite a las máquinas aprender a partir de datos y realizar predicciones sin programación explícita. Los cursos de aprendizaje automático enseñan los principios fundamentales del aprendizaje supervisado y no supervisado, el entrenamiento de modelos, el procesamiento de datos y las técnicas de evaluación. Desde regresión lineal y clasificación hasta métodos más avanzados como el aprendizaje por refuerzo, estos cursos guían a los estudiantes en la construcción de modelos capaces de reconocer patrones en los datos y mejorar con el tiempo. El ML se utiliza en diversas aplicaciones, como sistemas de recomendación, detección de fraudes y sistemas autónomos.
Beneficios de nuestros cursos de Aprendizaje Automático
Nuestros cursos ofrecen experiencia práctica con conjuntos de datos reales, instrucción experta y un entorno de aprendizaje flexible. Este enfoque sólido garantiza que los estudiantes no solo adquieran conceptos teóricos, sino que también los apliquen de manera práctica.
Oportunidades profesionales tras completar los cursos de Aprendizaje Automático
Los egresados pueden desempeñarse en diversos roles como Científico de Datos, Ingeniero de Aprendizaje Automático, Analista de IA o Investigador Científico en industrias como finanzas, salud, automotriz y tecnología.
Opciones de cursos de Aprendizaje Automático
Ofrecemos una variedad de cursos, desde opciones para principiantes como Introducción al ML con scikit-learn hasta temas más avanzados como Clasificación con Python y Regresión Lineal con Python. También puede seguir la ruta de Aprendizaje Supervisado para un itinerario de aprendizaje estructurado.
Información sobre certificados
Al completar cualquiera de nuestros cursos de Aprendizaje Automático, los estudiantes reciben un Certificado de Finalización, reconocido en la industria y que puede ayudar a impulsar su carrera profesional.
¿Qué es el aprendizaje automático y por qué es importante?
El Aprendizaje Automático es una rama de la inteligencia artificial que permite a las aplicaciones de software mejorar la precisión de sus predicciones sin ser programadas explícitamente. Es fundamental para crear algoritmos adaptativos capaces de procesar y aprender de datos en tiempo real.
¿Dónde se utiliza el aprendizaje automático en la industria?
El Aprendizaje Automático se utiliza ampliamente en industrias como finanzas para el trading algorítmico, salud para diagnósticos predictivos, automotriz para vehículos autónomos y en servicios al consumidor para experiencias personalizadas.
¿Cuáles son las oportunidades profesionales en el aprendizaje automático?
Las carreras en Aprendizaje Automático incluyen roles como Ingeniero de Aprendizaje Automático, Analista de Datos, Científico de PLN y posiciones en tecnologías emergentes que requieren toma de decisiones basada en datos.
¿Cómo elegir el curso de Aprendizaje Automático adecuado?
Considere su nivel de habilidad actual y sus objetivos profesionales. Los principiantes deben comenzar con "Introducción al ML con scikit-learn", mientras que quienes tengan experiencia previa pueden optar por cursos más especializados como Clasificación con Python y Regresión Lineal con Python.
¿Cuál es el costo de la formación en cursos de Aprendizaje Automático?
El costo de la formación depende del tipo de suscripción y su duración. Para obtener información precisa y detallada sobre precios, así como descuentos disponibles, visite nuestra página de pagos.
¿Qué curso de Aprendizaje Automático es el más adecuado para principiantes?
"Introducción al ML con scikit-learn" es ideal para principiantes sin experiencia en Aprendizaje Automático, ya que proporciona los conocimientos fundamentales necesarios para avanzar en este campo.
¿Cuáles son las habilidades clave para destacar en Aprendizaje Automático?
Las habilidades clave incluyen un sólido conocimiento de estadística, programación (se prefiere Python), intuición para los datos y la capacidad de aplicar modelos matemáticos a problemas del mundo real.
¿Cómo se compara el Aprendizaje Automático con la Inteligencia Artificial en términos de aplicaciones?
El Aprendizaje Automático es un subconjunto de la inteligencia artificial enfocado en sistemas que aprenden a partir de datos, mientras que la IA abarca un espectro más amplio de tecnologías que simulan la inteligencia humana. El Aprendizaje Automático se centra específicamente en algoritmos basados en datos.
¿Qué impacto tiene el Aprendizaje Automático en la industria de la salud?
El Aprendizaje Automático mejora la precisión diagnóstica, optimiza los planes de tratamiento y mejora los resultados de los pacientes mediante análisis predictivos e identificación de enfermedades.
¿Cuáles son los 4 tipos de aprendizaje automático?
Los cuatro tipos principales son aprendizaje supervisado, aprendizaje no supervisado, aprendizaje semisupervisado y aprendizaje por refuerzo.
¿Es suficiente Python para el aprendizaje automático?
Python es suficiente para comenzar en Aprendizaje Automático debido a sus extensas bibliotecas y frameworks, pero comprender los algoritmos subyacentes y las matemáticas es fundamental para avanzar en el campo.
¿El aprendizaje automático sigue siendo demandado?
Sí, el Aprendizaje Automático sigue teniendo una alta demanda, ya que empresas de diversos sectores dependen de decisiones basadas en datos para la planificación estratégica y la innovación.
Qué Dicen Nuestros Usuarios
Únete 1.5+ millones avanzando en habilidades de IA y datos en Codefinity
¿Listo para comenzar?
ProMejor oferta de introducción$12 /mesFacturado anualmente
250+ Cursos de alta calificaciónCertificados de finalizaciónAsistente de IA en todos los cursos
40+ hands-on Real-world projectsRutas de estudio personalizadasEspacios de trabajo ilimitadosUltimateTodo lo que necesitas para impulsar tu carrera$25 /mesFacturado anualmente
250+ Cursos de alta calificaciónCertificados de finalizaciónAsistente de IA en todos los cursos40+ hands-on Real-world projectsRutas de estudio personalizadasEspacios de trabajo ilimitadosCursos principales en la Aprendizaje Automático categoría
1. | Introducción al Aprendizaje Automático con Python |  4 horas |  32 capítulos |
2. | Regresión Lineal con Python | 2 horas | 19 capítulos |
3. | Clasificación con Python | 3 horas | 24 capítulos |
4. | Análisis de Conglomerados con Python | 4 horas | 34 capítulos |
5. | Matemáticas para Ciencia de Datos | 5 horas | 51 capítulos |
1. Introducción al Aprendizaje Automático con Python
Horas
Capítulos2. Regresión Lineal con Python
HorasCapítulos3. Clasificación con Python
HorasCapítulos4. Análisis de Conglomerados con Python
HorasCapítulos5. Matemáticas para Ciencia de Datos
HorasCapítulosTemas relacionados en el blog
Artificial Intelligence
Exploring IT Professions
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
Artificial Intelligence
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
Machine Learning
by Kyryl SidakData Scientist, ML Engineer
