ML2000 - Métodos No Supervisados en Python
En este curso se definirán los principales conceptos en Machine Learning, con énfasis principalmente en los métodos No Super- visados. Para ello, se verán técnicas relacionadas con exploración de los datos, reducción de la dimensión y clustering. Para esto se hará uso del lenguaje Python y paquetes especializados en Machine Learning.
Objetivos: En este curso el estudiante será capaz de:
- Entender la necesidad de la utilización de modelos, algoritmos, software especial para un correcto análisis análisis de los datos.
- Entender las diferencias entre: estadística, análisis de datos, recuperación de la infor- mación, ML – “Machine Learning”, minería de datos y Ciencia de Datos.
- Conocer los principales modelos, técnicas y algoritmos utilizados en los métodos No Supervisados.
- Efectuar Análisis Exploratorio de Datos en Python.
- Utilizar Python en métodos no supervisados de análisis de datos, como lo son Análisis en Componenentes Principales, Clusterización Jerárquica, K-Medias, entre otros.
Metodología:
Basado en la teoría y en la aplicación directa de los conceptos aprendidos. Para esto se dispondrán de las siguientes herramientas:
- Una vídeo conferencia semanal, las cuales quedarán grabadas en Zoom, para que los alumnos la puedan acceder en cualquier momento.
- Trabajos prácticos semanales.
- Foros para plantear dudas al tutor y compañeros disponible 24/7.
- Aula virtual en Moodle con materiales didácticos.
Instructor
Ph.D. Oldemar Rodríguez
Catedrático de la Universidad de Costa Rica, tiene un Ph.D. del UFR Matemáticas de la Decisión de la Universidad de París - PSL y un diploma postdoctoral de la Universidad de Stanford en California en "Data Mining and Applications". En la Universidad de Costa Rica obtuvo su bachillerato y licenciatura en Matemática Pura y en el Instituto Tecnológico de Costa Rica se graduó como Máster en Ciencias de la Computación.
Asistentes
Cesar Vargas
Matemático
Diego Jiménez
Ing. Sistemas