CURSO 4: MACHINE LEARNING Y CIENCIA DE DATOS

Pipeline ML, scikit-learn, PyTorch, NLP con Transformers, MLOps y sistema de recomendación

12 módulos scikit-learn · XGBoost PyTorch · Transformers
Progreso del curso0%
0 de 12 módulos completados
Módulo 01

Pipeline Completo de ML

Constructor de pipeline: data → split → preprocess → train → evaluate → deploy.
Módulo 02

Regresión con scikit-learn

Simulador de regresión: dataset, features, entrenamiento. R², MSE, MAE, predicciones.
Módulo 03

Árboles y Ensambles

Visualizador de DecisionTree, RandomForest, XGBoost. Feature importance.
Módulo 04

SVM, KNN, Naive Bayes

Clasificador interactivo: selecciona modelo, ajusta parámetros. Fronteras 2D.
Módulo 05

Clustering

Simulador K-Means/DBSCAN: elige K con elbow, ajusta epsilon. Clusters visuales.
Módulo 06

Feature Engineering

Juego de features: encoding, scaling, polynomial, binning. Score de mejora.
Módulo 07

Keras/TensorFlow

Constructor de redes: capas Dense, Dropout, activation. Loss/accuracy curves.
Módulo 08

PyTorch

Simulador de tensores: crea tensores, GPU simulado, nn.Module, Autograd demo.
Módulo 09

NLP con spaCy y Transformers

Dashboard NLP: tokenización, POS, NER, sentiment. HuggingFace clasificación, QA.
Módulo 10

Time Series

Simulador series temporales: descomposición, ARIMA, Prophet. Forecast MAE/MAPE.
Módulo 11

MLOps

Dashboard MLOps: MLflow tracking, model registry, BentoML, feature store.
Módulo 12

Proyecto: Sistema de Recomendación

Collaborative + content-based + hybrid. MovieLens simulado. RMSE, precision@k.
Volver al Programa Catálogo