Propuesta Académica
Inicio: 25 de agosto de 2025 | Duración: 4 meses (16 semanas)
Modalidad: Educación a Distancia con tutorías semanales (cada 7 días)
🚀 ¿Por qué este curso?
-
Descubrí cómo Google, Amazon y otras compañías generan valor a partir de grandes volúmenes de datos gracias al Machine Learning.
-
Aprendé sin abrumarte con fórmulas: reducimos la jerga matemática a lo esencial y explicamos cada concepto en lenguaje claro.
-
Diseñado para que puedas usar los algoritmos en proyectos reales — no solo en ejercicios de aula.
👤 Destinatarios
Programadores/as en Python, tecnólogos/as curiosos, profesionales y estudiantes que quieran sumar Machine Learning a su perfil y cualquiera que aspire a una carrera en Data Science.
✔️ Requisitos
-
Conocimientos básicos de Python
-
Matemática de nivel medio
-
Actitud proactiva y pasión por el aprendizaje continuo
🗂 Plan de estudio
Introducción al Machine Learning
- ¿Qué es el Machine Learning?
- Aplicaciones del Machine Métodos de Machine Learning
- ¿Qué es el aprendizaje supervisado?
- ¿Qué es el aprendizaje no supervisado?
- Aprendizaje Supervisado y aprendizaje No Supervisado
- Materiales del curso
Configuración de Python e Implementación de Algoritmos ML
- Introducción
- Bibliotecas Python para Machine Learning de Python
- Implementación de Python en Jupyter
- Gestión de directorios en Jupyter Notebook
Regresión Lineal Simple
- Introducción a la Regresión
- ¿Cómo funciona la Regresión Lineal?
- Representación Lineal
- Implementación en Python: Importación de bibliotecas y conjuntos de datos
- Implementación en Python: Distribución de los datos
- Implementación en Python: Creación de un objeto de regresión lineal
Regresión Lineal Múltiple
- Comprender la Regresión Lineal Múltiple
- Implementación en Python: Exploración del conjunto de datos
- Implementación en Python: Codificación de datos categóricos
- Implementación en Python: División de los datos en conjuntos de ensayo y prueba
- Implementación en Python: Entrenamiento del modelo en conjunto de entrenamiento
- Implementación en Python: Predicción de los resultados del conjunto de prueba
- Evaluación del rendimiento del modelo de regresión
- Error Cuadrático Medio en Python
Algoritmos de Clasificación K-Nearest Neighbors
- Introducción a la Clasificación
- Algoritmo K-Nearest Neighbors
- K-Nearest Neighbours (KNN) con python
- Implementación en Python: Importación de las bibliotecas necesarias
- Implementación en Python: Importación del conjunto de datos
- Implementación en Python: División de los datos en conjuntos de ensayo y prueba
- Implementación en Python: Escalado de características
- Implementación en Python: Importación del clasificador KNN
- Implementación en Python: Predicción de resultados y matriz de confusión
Algoritmos de Clasificación: Árbol de Decisión
- Introducción a los Árboles de Decisión
- Exploración del conjunto de datos
- Estructura del Árbol de Decisión
- Implementación en Python: Importación de bibliotecas y conjuntos de datos
- Implementación en Python: Codificación de datos categóricos
- Implementación en Python: División de datos en conjuntos entrenamiento y prueba
- Implementación en Python: Predicción de resultados y precisión
Algoritmos de Clasificación: Regresión Logística
- Introducción Implementación en Python: Importación de bibliotecas y conjuntos de datos
- Implementación en Python: División de los datos en conjuntos de ensayo y prueba
- Implementación en Python: Pre-procesamiento
- Implementación en Python: Entrenamiento del modelo
- Implementación en Python: Predicción de resultados y matriz de confusión
- Regresión logística vs Regresión lineal
Clustering
- Introducción al clustering
- Algoritmo de clustering K-Means
- Implementación en Python
- Clustering jerárquico
- Clustering basado en la densidad
- Implementación del clustering k-means en Python
Arancel mensual: ARS 70 000 • Comunidad UCEL: 20 % off
👨🏫 Docente
Mg. Ing. Antonio Rial
Resumen profesional
Profesional de la Ingeniería con más de 14 años de experiencia en el área docente en carreras de grado y posgrado. Especialista en proyectos de investigación científica relacionados con las ciencias de datos que incluyen análisis de datos, aprendizaje automático, visualización de datos, machine learning, deep learning, computer vision y más. Fanático de la transmisión del conocimiento académico y de los nuevos modelos de aprendizaje.
Estudios
Ingeniero Electrónico – UNR Magister en Data Science – Universidad Austral Diplomado en Investigación Científica – UCEL Diplomado en Educación Basada en Competencias – UCEL Diplomado en IA aplicada a la docencia – UCEL Diplomado en Expandir la enseñanza en la virtualidad – UCEL Experiencia laboral Profesor Hardware y Software Profesor Telecomunicaciones Profesor Redes de Datos Profesor Laboratorio de implementación II (Posgrado)
Investigador Científico
Prototipo de páncreas artificial extracorporeo (hardware y software) Detector de señales de tránsito (Machine Learning, Computer Vision) Detector de espacios vacíos en playas de estacionamiento (Computer Vision) Detector de firmas manuscritas falsificadas (Computer Vision, Neural Networks)
Logros
Creador del primer prototipo académico de páncreas artificial extracorpóreo. Co-Director del equipo de investigación del proyecto denominado “Redes neuronales para la detección de señales de tránsito”. Co-Director el equipo de investigación que desarrolla el proyecto llamado “Detector de firmas manuscritas falsificadas”.
