Descripción
El machine learning es una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que las computadoras aprendan. Es decir cuando su desempeño mejora con la experiencia. Se trata de diseñar algoritmos para convertir muestras de datos en programas, sin tener que escribirlos. Los programas resultantes deben ser capaces de generalizar comportamientos e inferencias para un conjunto de grandes datos. Las aplicaciones son amplias que incluyen motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.
Destinatarios del curso
Está dirigido a cualquier persona con conocimientos equivalentes al de la Diplomatura de Ciencia de Datos
Metodología:
Modalidad a distancia de forma Online.
Dos clases semanales por videoconferencias interactivas, una teórica y una práctica. La duración de cada clase es de 30 a 60 minutos dependiendo del tema, la cantidad de participantes y el nivel de intervenciones conseguido.
El estudiante tiene actividad complementaria con material de soporte de las clases, material teórico para estudiar, ejercicios resueltos y para resolver, corrección de ejercicios y autoevaluaciones.
La dedicación recomendada a estas actividades es de ocho horas semanales.
Soporte docente por Grupo de WhatsApp, email y foro.
Los grupos de participantes son reducidos y de varios países hispanoparlantes. Lo que aporta diferentes visiones y la posibilidad de networking internacional.
Horarios de la Cursada (GTM-3)
| Clases | Día | Hora |
| Introducción a la Ciencia de Datos | 02/11/2020 | 19 hs |
| Iniciación en R 1 de 3 | 05/11/2020 | 19 hs |
| Iniciación en R 2 de 3 | 09/11/2020 | 19 hs |
| Iniciación en R 3 de 3 | 12/11/2020 | 19 hs |
| Clases regulares: (1 teórica + 2 prácticas por unidad) | Martes | 21:15 hs |
| Clases regulares: (1 teórica + 2 prácticas por unidad) | Viernes | 21:15 hs |
Instancias de evaluación: Examen final.
Requisitos de aprobación: Mínimo 60 % de respuestas correctas.