Aprendizaje supervisado: de cero a un proyecto profesional

Un recorrido completo y progresivo: desde el vocabulario básico hasta la puesta en producción de un modelo. Tipo de problema, preparación de datos, algoritmos de clasificación y regresión, métricas y costos de negocio, canalizaciones anti-fuga, interpretabilidad, despliegue y monitoreo — con diez trabajos prácticos y un proyecto final.

IntermedioAOA-ML-101
01

Fundaciones: IA, ML y aprendizaje supervisado

Acceso libre0 / 5
02

Vocabulario esencial del Machine Learning

Acceso libre0 / 6
03

Identificar el tipo de problema

Acceso libre0 / 3
04

Ciclo de vida de un proyecto Machine Learning

Suscripción0 / 2
05

Análisis exploratorio de datos (EDA)

Suscripción0 / 6
06

Limpieza de datos

Suscripción0 / 5
07

Transformar datos

Suscripción0 / 5
08

Separar datos: Entrenamiento, Validación, Prueba

Suscripción0 / 4
09

Entrenar el modelo

Suscripción0 / 3
10

Generalización, sobreajuste y subajuste

Suscripción0 / 4
11

Validación cruzada y optimización de hiperparámetros

Suscripción0 / 3
12

Algoritmos de clasificación

Suscripción0 / 9
13

Algoritmos de regresión

Suscripción0 / 7
14

Datos desbalanceados y remuestreo

Suscripción0 / 3
15

Matriz de confusión

Suscripción0 / 2
16

Métricas de clasificación

Suscripción0 / 14
17

Métricas de regresión

Suscripción0 / 10
18

Elegir la métrica según el negocio

Suscripción0 / 2
19

Canalizaciones Scikit-learn profesionales

Suscripción0 / 5
20

Interpretabilidad de modelos

Suscripción0 / 2
21

Despliegue y monitoreo en producción

Suscripción0 / 3
22

Errores frecuentes y flujo de trabajo profesional

Suscripción0 / 3
23

Trabajos prácticos (10 TP)

Suscripción0 / 11
24

Proyecto final

Suscripción0 / 2
25

Anexos: glosario y hojas de referencia

Suscripción0 / 5