Diplomado

Machine Learning en Python

$5.548.000

Desde

14 Octubre, 2025

Hasta

24 Febrero, 2026

Deja tus datos

Introducción

Conocer el funcionamiento interno de los métodos de Machine Learning, seguido de su implementación en el lenguaje de programación Python y su aplicación en casos de uso demostrativos.

Isabel Cristina Hernández Moná

Docente

Ingeniera Matemática con Maestría en Business Intelligence de la Universitat de Barcelona. Actualmente se desempeña como consultora empresarial en Inteligencia de Negocios y Analítica de Datos, y como docente de Ciencia de Datos y Analítica.

Ana María López Moreno

Docente

Ingeniera electrónica de la Universidad Javeriana con maestría en gestión de informática y telecomunicaciones de la Universidad ICESI, con especialización en finanzas de la Universidad de Antioquia y especialización en inteligencia de negocios de la Pontificia Universidad Bolivariana, actualmente se encuentra desarrollando el trabajo de grado para terminar la maestría en estadística de la Universidad Nacional. Experiencia como docente (+ 5 años), en soluciones de infraestructura y administración de servidores (+ 5 años), en desarrollo de soluciones en inteligencia de negocios (+ 5 años), en ciencia de datos (+ 4 años).

Cristian Sánchez Londoño

Docente

Ingeniero electrónico y especialista en automatización de la Universidad Pontificia Bolivariana, Máster en Inteligencia artificial de la Universidad Católica de Ávila en España. Experiencia en la industria y en la docencia. Socio fundador de Smart Control S.A.S compañía dedicada a la implementación de soluciones integrales en la automatización de procesos apoyados en Inteligencia artificial, usando técnicas de aprendizaje de máquina y visón artificial. Además de la instalación y mantenimiento de líneas de producción.

Esteban López Aguirre

Docente

Ingeniero Químico, Magíster en Ingeniería y Doctor en Ingeniería de la Universidad Nacional de Colombia. Tiene 3 años de experiencia como Ingeniero de Machine Learning, 6 años en investigación sobre Teoría de Control y 10 años en docencia universitaria, habiendo enseñado cursos de matemáticas y aprendizaje automático. En su trabajo e investigación ha utilizado lenguajes de programación como Python y Wolfram Mathematica. Tiene experiencia en el uso de Machine Learning y Deep Learning para la construcción de modelos de procesos químicos y para el procesamiento de lenguaje natural. Actualmente se desempeña como Ingeniero de Machine Learning en Factored.

David Piedrahita Florez

Docente

Ingeniero en instrumentación y Control con énfasis en control inteligente, Analista Datamining, rol en el área de analítica mediante herramientas cloud como AzureMachine Learning Services, Azure Databricks y Jupyter Notebooks con Python.

Dirigido a:

Estudiantes de pregrado y profesionales en áreas de ingeniería, economía, estadística y matemática aplicada, interesados en conocer sobre métodos de Machine Learning y su implementación en el lenguaje de programación Python.

Requisitos: conocimiento de cualquier lenguaje de programación.

Nota

Próximamente habrán fechas disponibles.

Este programa le brindará una comprensión profunda y aplicada del Emprendimiento Corporativo, explorando prácticas implementadas en organizaciones reales como programas de intraemprendimiento, Corporate Venture Capital (CVC) y otros enfoques como Aceleradoras Corporativas, Incubadoras, Excubadoras y Startup Studios, entre otros. Además, permitirá diseñar estrategias y aplicar mecanismos efectivos desde el más alto nivel para lograr la transformación organizacional necesaria, impulsando la renovación, competitividad y supervivencia de su organización en un entorno altamente volátil y complejo.

Isabel Cristina Hernández Moná

carlos

Docente

Ana María López Moreno

carlos

Docente

Cristian Sánchez Londoño

carlos

Docente

Esteban López Aguirre

carlos

Docente

David Piedrahita Florez

carlos

Docente

Ver todos los profesores

Duración

114 horas

Horario

6:00 p.m. a 10:00 p.m.

Modalidad

Bimodal

Lugar

Medellín

Contenidos del programa

Ciencia de datos en python

Conceptos y metodología de Ciencia de Datos

Objetivo: reconocer los aspectos metodológicos en el desarrollo de proyectos de Ciencia de Datos.

Conceptos básicos.

Metodología de la ciencia de datos.

Módulos de python para la ciencia de datos

Objetivo: aprender a utilizar el lenguaje de programación python y a utilizar los módulos más comunes para ciencia de datos.

Fundamentos de Python Numpy y Pandas Matplotlib y Seaborn.

Preprocesamiento y bases de datos

Objetivo: identificar las técnicas de preprocesamiento más comunes.

Lectura y Escritura de Bases de Datos.

Técnicas de preprocesamiento.

Técnicas básicas de aprendizaje supervisado

Objetivo: conocer las aplicaciones y el alcance del aprendizaje supervisado, así como, las técnicas básicas de aprendizaje supervisado.

Regresión Lineal.

Práctica de regresión.

Regresión Logística.

Práctica de clasificación.

Fundamentos de machine learning en python

Introducción

Objetivo: repasar los fundamentos requeridos y conocer las herramientas de trabajo.

Revisión de librerías básicas.

Revisión de conceptos como aprendizaje supervisado y no supervisado.

Técnicas de aprendizaje supervisado

Objetivo: conocer a profundidad el funcionamiento de las técnicas más comunes de aprendizaje supervisado y aprender a utilizar las técnicas más comunes de aprendizaje supervisado.

Regresión Multivariada y no lineal.

Regresión logística.

K-Vecinos más cercanos.

Naive Bayes.

Máquinas de vectores de soporte.

Árboles de decisión.

Práctica de regresión.

Práctica de clasificación. Selección de modelos

Objetivo: identificar un diseño experimental adecuado para la implementación de proyectos de machine learning y reconocer las técnicas que permiten evaluar adecuadamente el desempeño de modelos supervisados y seleccionar sus hiper-parámetros.

Construcción de datasets.

Validación cruzada.

Curvas de validación.

Curvas de aprendizaje.

Búsqueda de hiper-parámetros.

Práctica de selección de modelos.

Métodos de ensamble

Objetivo: reconocer los métodos de ensamble como una estrategia para mejorar el rendimiento de modelos individuales.

Boosting.

Bagging.

Stacking.

Random.

Forest y Gradient.

Boosting.

Práctica de métodos de ensamble.

Técnicas de aprendizaje no supervisado

Objetivo: aplicar agrupamiento automático a datos tabulares, conocer las ventajas de la reducción de dimensión en la visualización y modelación y entender técnicas para detección de anomalías.

Agrupamiento.

Reducción de dimensión.

Detección de anomalías.

Ciencia de datos en python

Conceptos y metodología de Ciencia de Datos

Objetivo: reconocer los aspectos metodológicos en el desarrollo de proyectos de Ciencia de Datos.

Conceptos básicos.

Metodología de la ciencia de datos.

Módulos de python para la ciencia de datos

Objetivo: aprender a utilizar el lenguaje de programación python y a utilizar los módulos más comunes para ciencia de datos.

Fundamentos de Python Numpy y Pandas Matplotlib y Seaborn.

Preprocesamiento y bases de datos

Objetivo: identificar las técnicas de preprocesamiento más comunes.

Lectura y Escritura de Bases de Datos.

Técnicas de preprocesamiento.

Técnicas básicas de aprendizaje supervisado

Objetivo: conocer las aplicaciones y el alcance del aprendizaje supervisado, así como, las técnicas básicas de aprendizaje supervisado.

Regresión Lineal.

Práctica de regresión.

Regresión Logística.

Práctica de clasificación.

Fundamentos de machine learning en python

Introducción

Objetivo: repasar los fundamentos requeridos y conocer las herramientas de trabajo.

Revisión de librerías básicas.

Revisión de conceptos como aprendizaje supervisado y no supervisado.

Técnicas de aprendizaje supervisado

Objetivo: conocer a profundidad el funcionamiento de las técnicas más comunes de aprendizaje supervisado y aprender a utilizar las técnicas más comunes de aprendizaje supervisado.

Regresión Multivariada y no lineal.

Regresión logística.

K-Vecinos más cercanos.

Naive Bayes.

Máquinas de vectores de soporte.

Árboles de decisión.

Práctica de regresión.

Práctica de clasificación. Selección de modelos

Construcción de datasets.

Validación cruzada.

Curvas de validación.

Curvas de aprendizaje.

Búsqueda de hiper-parámetros.

Práctica de selección de modelos.

Métodos de ensamble

Objetivo: reconocer los métodos de ensamble como una estrategia para mejorar el rendimiento de modelos individuales.

Boosting.

Bagging.

Stacking.

Random.

Forest y Gradient.

Boosting.

Práctica de métodos de ensamble.

Técnicas de aprendizaje no supervisado

Agrupamiento.

Reducción de dimensión.

Detección de anomalías.

Machine Learning en Python

Introducción

Isabel Cristina Hernández Moná

Ana María López Moreno

Cristian Sánchez Londoño

Esteban López Aguirre

David Piedrahita Florez

Dirigido a:

Nota

Isabel Cristina Hernández Moná

Ana María López Moreno

Cristian Sánchez Londoño

Esteban López Aguirre

David Piedrahita Florez

Contenidos del programa

¿Quieres saber más?

Estudia en EAFIT

Conéctate con EAFIT

Contáctanos

Información de ley

Nuestras sedes

EAFIT Medellín

EAFIT Pereira

EAFIT Bogotá

EAFIT Llanogrande

Machine Learning en Python

Introducción

Isabel Cristina Hernández Moná

Ana María López Moreno

Cristian Sánchez Londoño

Esteban López Aguirre

David Piedrahita Florez

Dirigido a:

Nota

Introducción

Profesores

Isabel Cristina Hernández Moná

Ana María López Moreno

Cristian Sánchez Londoño

Esteban López Aguirre

David Piedrahita Florez

Dirigido a:

Nota

Contenidos del programa

Módulo 1

Módulo 2

¿Quieres saber más?

Estudia en EAFIT

Conéctate con EAFIT

Contáctanos

Información de ley

Nuestras sedes

EAFIT Medellín

EAFIT Pereira

EAFIT Bogotá

EAFIT Llanogrande