59€
- Presentación
- Temario
- Metodología
- Titulación
Descripción
¿A quién va dirigido?
La formación Aprendizaje Supervisado en ML está dirigido a profesionales y titulados/as del sector tecnológico y científico que desean profundizar en los fundamentos del aprendizaje supervisado, incluyendo la preparación de datos y feature engineering, así como explorar modelos básicos y avanzados como SVM y Random Forest, todo con un enfoque práctico y accesible.
Objetivos
- Comprender el contexto y aplicación del aprendizaje supervisado frente a otros paradigmas.
- Diferenciar entre problemas de clasificación y regresión en aprendizaje supervisado.
- Evaluar modelos de aprendizaje supervisado usando métricas clave y validación cruzada.
- Aplicar técnicas de limpieza y codificación de datos para mejorar su calidad.
- Implementar técnicas de selección y extracción de características relevantes.
- Construir modelos básicos como regresión lineal y árboles de decisión efectivamente.
- Optimizar modelos avanzados y de ensamblado mediante ajuste de hiperparámetros.
Salidas Profesionales
Aprendizaje Supervisado en ML ofrece multitud de salidas laborales, entre las que se encuentran ingeniero/a de machine learning en empresas tecnológicas, analista de datos especializado/a en modelos predictivos, científico/a de datos para optimización de procesos industriales, o consultor/a en inteligencia artificial para el sector financiero.
Temario
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL APRENDIZAJE SUPERVISADO
- Definición del aprendizaje supervisado
- Diferencias con otros paradigmas: no supervisado y por refuerzo
- Tipos de problemas: clasificación vs regresión
- Pipeline típico de ML supervisado
- Evaluación de modelos: Métricas clave y validación cruzada
UNIDAD DIDÁCTICA 2. PREPARACIÓN DE DATOS Y FEATURE ENGINEERING
- Calidad de los datos: limpieza, manejo de valores faltantes y outliers
- Codificación de variables categóricas
- Escalado y normalización de características
- Selección y extracción de características relevantes
- Técnicas de reducción de dimensionalidad (PCA, LDA)
UNIDAD DIDÁCTICA 3. MODELOS BÁSICOS DE APRENDIZAJE SUPERVISADO
- Regresión lineal y sus variantes
- Clasificadores lineales: perceptrón y regresión logística
- Árboles de decisión: estructura, poda y criterios de partición
- Vecinos más cercanos (k-NN): simplicidad y limitaciones
- Métricas de evaluación específicas por tipo de modelo
UNIDAD DIDÁCTICA 4. MODELOS AVANZADOS Y ENSAMBLADO
- Máquinas de Vectores de Soporte (SVM): márgenes y kernels
- Bagging, Boosting y Stacking
- Random Forest y sus ventajas sobre árboles individuales
- Gradient Boosting Machines
- Ajuste de hiperparámetros y validación anidada
Metodología
EDUCA LXP se basa en 6 pilares
Item
Titulación
Titulación de Microcredencial Universitaria de Aprendizaje Supervisado en ML con 50 horas y 2 ECTS expedida por UTAMED - Universidad Tecnológica Atlántico Mediterráneo

Explora nuestras Áreas Formativas
Construye tu carrera profesional
Descubre nuestro amplio Catálogo Formativo, incluye programas de Cursos Superior, Expertos, Master Profesionales y Master Universitarios en las diferentes Áreas Formativas para impulsar tu carrera profesional.
Microcredencial Universitaria de Aprendizaje Supervisado en ML + 2 Créditos ECTS
59€
59€