Diplomado en Machine Learning aplicado

El uso de datos para tomar decisiones y predecir comportamientos ha comenzado a surgir en los más diversos ámbitos de nuestro quehacer social y laboral, lo que, acompañado de nuevas plataformas tecnológicas de cómputo para el procesamiento de datos, generan un escenario propicio para la irrupción masiva de técnicas de Machine Learning. Las oportunidades que abre un efectivo uso de estas técnicas junto con la actual abundancia de datos son enormes; ello ha motivado un gran interés, y acelerado el desarrollo de nuevas tecnologías dedicadas a su aplicación en diversos dominios de la sociedad. En este contexto, el Diplomado en Machine Learning aplicado apunta a entregar una sólida formación práctica en las principales técnicas, tecnologías y tendencias que marcan el estado del arte de esta área, enfatizando el uso de fuentes de datos diversas, tanto estructuradas como no estructuradas, en una amplia gama de áreas de aplicación.

Como eje central, se aborda la aplicación de técnicas de machine learning en diversos dominios de interés, cubriendo no solo los aspectos prácticos, sino también los técnico-teóricos que permiten su correcto funcionamiento. Junto con esto, el programa pone especial énfasis en la enseñanza de las herramientas y plataformas tecnológicas que permiten aplicar estas técnicas, de modo que los estudiantes puedan llevar rápidamente a la práctica los conocimientos adquiridos. Con el fin de enriquecer esta perspectiva, los cursos del programa no sólo exploran el uso de datos estructurados tradicionales, sino también de datos no estructurados, como es el caso de datos textuales, imágenes, sensores o interacciones en redes sociales. Para enfatizar aún más la naturaleza aplicada y práctica del diplomado, se consideran cursos dedicados a sistemas recomendadores y teoría de grafos para machine learning, dos de las áreas de aplicación de estas técnicas con mayor crecimiento en la industria. Adicionalmente, el diplomado abarca tópicos de visualización de información, elemento clave para facilitar la inclusión de analistas humanos en el ciclo de entrenamiento, validación y auditoría de modelos de machine learning, cuando estos son utilizados para tomar decisiones que involucran o afectan a las personas.

De esta manera, el programa entrega herramientas para entender el escenario técnico y tecnológico que da vida a machine learning; describir los principales elementos y desafíos de esta área en cuanto a su aplicación en diversos dominios; conocer y entender las principales tecnologías detrás de aplicaciones; y diseñar y aplicar soluciones a problemáticas reales en diversos dominios, donde el aprendizaje basado en datos es factible.

Ingenieros de todas las especialidades, que trabajen con datos, o que requieran conocimientos o habilidades en la materia.

Licenciados en computación, y otros profesionales licenciados y/o con experiencia en áreas afines, que requieren conocimientos o habilidades en la materia.

Astrónomos, matemáticos, estadísticos, biólogos y otros profesionales de áreas científicas afines que trabajen con datos, o que requieran conocimientos o habilidades en la materia.

Aplicar oportunidades y técnicas de Machine Learning en diversos dominios, considerando el escenario técnico, tecnológico y los desafíos asociados a su implementación en una organización.

Licenciatura o título profesional universitario en una disciplina afín a la ingeniería.

Experiencia laboral de dos años en el área de tecnologías de información, científica o afín.

A responsabilidad del alumno, se sugiere experiencia básica en lenguajes de programación, además de un buen nivel de comprensión lectora de inglés.

Al finalizar el curso podrás:
– Distinguir conceptos y técnicas del paradigma tradicional de aprendizaje de máquina.
– Aplicar las representaciones de datos y técnicas de optimización de Machine Learning.
– Implementar soluciones basadas en modelos de Machine Learning en base a bibliotecas de software existentes.

Contenidos:
– Fundamentos de Machine Learning.
– Técnicas de vecinos cercanos.
– Árboles y ensambles.
– Máquina de vectores de soporte.
– Aplicaciones de Machine Learning en múltiples dominios.

Al finalizar el curso podrás:
– Identificar los conceptos fundamentales del paradigma de Deep Learning.
– Aplicar técnicas de Deep Learning para análisis de datos multidimensionales y técnicas para el modelamiento de imágenes, secuencias y datos temporales.
– Implementar soluciones basadas en modelos de Deep Learning en base a bibliotecas de software existentes.

Contenidos:
– Fundamentos de aprendizaje profundo.
– Perceptrón y redes neuronales de capa oculta.
– Redes neuronales convolucionales.
– Redes neuronales recurrentes, modelos seq2seq y mecanismos de atención.
– Entornos de desarrollo para aprendizaje profundo.
– Aplicaciones de Deep Learning en múltiples dominios.

Al finalizar el curso podrás:
– Distinguir los fundamentos de la teoría de grafos.
– Identificar los principales desafíos del uso de grafos en Machine Learning.
– Aplicar representaciones de grafos para el modelamiento de distintas fuentes de datos.
– Aplicar las principales técnicas para el uso de grafos como herramienta analítica.

Contenidos:
– Conceptos fundamentales de teoría de grafos.
– Base de datos para grafos.
– Grafos como herramienta analítica.
– Grafos para modelamiento y análisis de datos dinámicos, datos espaciales y redes sociales.
– Redes neuronales para grafos.
– Estudio de casos y aplicaciones en diversos dominios.

Al finalizar el curso podrás:
– Distinguir los principales componentes con que debe contar una solución basada en Machine Learning.
– Desarrollar algoritmos de Machine Learning utilizando el lenguaje Python.
– Identificar los principios conceptuales y técnicos en los que se basan los entornos Hadoop y Spark.
– Utilizar las herramientas de Hadoop y Spark para Machine Learning.
– Reconocer las bases conceptuales y técnicas sobre las cuales funcionan las plataformas Cloud.
– Aplicar las principales herramientas de las plataformas Cloud para Machine Learning.

Contenidos:
– Python como entorno para Machine Learning y ciencia de datos.
– Pandas y Scikit-Learn.
– Plataforma Hadoop y Spark.
– PySparkML, SparkSQL y SparkML.
– Aspectos técnicos de las plataformas Cloud.
– Herramientas Cloud para Machine Learning.

Al finalizar el curso podrás:
– Distinguir los principales algoritmos y fuentes de datos usados para generar recomendaciones.
– Analizar algoritmos de recomendación, identificando sus fortalezas y debilidades.
– Diseñar los distintos componentes de un sistema recomendador.
– Evaluar un sistema recomendador, usando diversas métricas y la factibilidad de su implementación.

Contenidos:
– Datos usados para generar recomendaciones: información espacial, temporal y redes sociales.
– Preferencias basadas en retroalimentación explícita e implícita.
– Métodos de recomendación y evaluación de sistemas recomendadores.
– Estudio de casos y aplicaciones en diversos dominios.

Al finalizar el curso podrás:
– Describir problemas éticos y de privacidad en el manejo de datos.
– Diseñar de forma justificada la representación visual de un conjunto de datos determinado.
– Evaluar el diseño de la visualización de datos, basándose en la naturaleza de los datos subyacentes, el público objetivo y el propósito general.

Contenidos:
– Fundamentos: abstracción de datos, marcas y canales, procesamiento humano de la información.
– Herramientas de visualización y aplicaciones en Machine Learning.
– Procesamiento y visualización con lenguaje Python.
– Visualización en distintos dominios y aplicaciones de Machine Learning: tabulares, espaciales, redes y texto.
– Pensamiento crítico para evaluar visualizaciones.
– Ética y privacidad en el manejo de datos.
– Aplicaciones en diversos dominios.