python

Introducción - Programación en Python

  • El entorno y las variables: Diferentes entornos de programación Python (consola, IDE, notebooks). Sintaxis del lenguaje. Tipos de datos básicos. Funciones y su documentación.
  • Estructuras de control: Condicionales. Iteraciones. Comprehensión de listas. Recursión.
  • Estructuras de datos: Diccionarios, listas, tuplas, vectores, matrices y árboles.
  • Programación orientada a objetos: Concepto de objeto. Métodos. Herencia.
  • Python para el análisis de datos: Archivos de entrada/salida. Cómputo de estadísticos. Regresión lineal.
  • Visualización de datos. Aplicaciones con Numpy, SciPy y Matplotlib.
  • Testeo y Debuggeo de programas: Diseño de experimentos. Manejos de excepciones. Control de flujos.
  • Introducción a la complejidad de algoritmos: Concepto de complejidad. Algoritmos de búsqueda. Algoritmos de ordenamiento.
  • Aplicaciones de la programación a diversos ámbitos: Negocios, finanzas, seguros, ciencia.
PC

Intermedio - Ciencia de Datos

Elementos de matemática y probabilidad

  • Elementos de Cálculo y Algebra. Funciones. Vectores y Matrices. Nociones de derivadas e integrales.
  • Definición de probabilidad. Probabilidad conjunta, marginal y condicional. Leyes de la probabilidad.
  • La interpretación frecuentista y bayesiana de la probabilidad.
  • Distribuciones especiales: Binomial, Poisson, Gaussiana.
  • Estimadores, estimación de máxima verosimilitud.

Análisis Exploratorio de Datos

  • Programación, exploración y visualización de datos: histogramas, gráficos de caja, gráficos QQ, gráficos de dispersión. Librerías de Python.
  • Preparación de datos; imputación de valores perdidos; codificación de variables categóricas.
  • Técnicas de reducción de la dimensionalidad. Análisis de componentes principales.
  • Algoritmos de clustering (aprendizaje no supervisado): K-means, K-vecinos más cercanos.

Introducción al Aprendizaje automático

  • Fundamentos del aprendizaje automático.
  • Entrenamiento, validación y prueba. Selección, extracción e ingeniería de características.
  • Overfitting y Cross-validation. K-folding y leave-one-out CV.
  • Modelos de regresión. Regresión lineal y regresión polinómica.
  • Modelos de regresión regularizada.
  • Modelos de clasificación. Perceptrón, regresión logística y árboles de decisión.
RobotRetro

Especialización - Aprendizaje Automático

Algoritmos avanzados de aprendizaje automático

  • Support Vector Machines.
  • Equilibrio sesgo-varianza.
  • Métodos de ensamble. Bagging y stacking. Random Forest.
  • Métodos de Boosting. Métodos de árboles. Gradient Boosting.

Redes neuronales

  • Redes neuronales feed-forward. Métodos de Deep Learning.
  • Entrenamiento de redes. Regularización.
  • Redes neuronales convolucionales en aprendizaje de imágenes.
  • Interpretabilidad. Aprendizaje por transferencia.

Deep Learning y Aplicaciones

  • Autoenconders. Autoenconders variacionales. Redes Generativas Antagónicas (GANs).
  • Redes neuronales recurrentes.
  • Reinforcement Learning.
  • Procesamiento de Texto y Lenguaje Natural.
  • Aplicaciones en contextos comerciales, científicos, financieros, médicos y otros.