Asociado en Aprendizaje Automático — Guía de Estudio Ilustrada

Una guía de estudio práctica e ilustrada para la certificación de Asociado en Aprendizaje Automático. Cinco módulos lo llevan a través del conjunto completo de herramientas de ML clásico: el flujo de trabajo de ML y la división supervisado/no supervisado; los principales algoritmos supervisados; el aprendizaje no supervisado y la reducción de dimensionalidad; el equilibrio sesgo-varianza con sobreajuste y regularización; y la evaluación honesta con las métricas adecuadas. Rico en diagramas Mermaid, hojas de referencia de algoritmos, ejemplos numéricos resueltos, conclusiones clave y autoevaluaciones.

Key facts

• Course price: $91 (one-time payment)
• Field: Artificial Intelligence & LLMs
• Prepares for: Asociado en Aprendizaje Automático
• 5 modules · 15 lessons · about 4 hours of lessons
• Self-paced, online, illustrated lessons

Course outline

1. El Flujo de Trabajo de ML y los Paradigmas de Aprendizaje — El flujo de trabajo completo de aprendizaje automático y la división supervisado vs no supervisado que enmarca cada proyecto.
   • El flujo de trabajo completo de Machine Learning
   • Aprendizaje Supervisado vs No Supervisado
   • División en Entrenamiento, Validación y Prueba
2. Algoritmos Supervisados — Regresión lineal y logística, árboles de decisión, ensembles (random forests, gradient boosting), kNN, SVM y naive Bayes.
   • Regresión Lineal y Logística
   • Árboles, Bosques Aleatorios y Gradient Boosting
   • kNN, SVM y Naive Bayes
3. Aprendizaje No Supervisado y Reducción de Dimensionalidad — Agrupamiento con k-means y métodos jerárquicos, más reducción de dimensionalidad con PCA.
   • Agrupamiento k-Means
   • Agrupamiento Jerárquico
   • PCA y Reducción de Dimensionalidad
4. Sesgo, Varianza y Regularización — El compromiso sesgo-varianza, diagnóstico de sobreajuste y subajuste, y control de complejidad con regularización L1/L2 y validación cruzada.
   • El Compromiso Sesgo-Varianza
   • Sobreajuste, Subajuste y Regularización
   • Validación Cruzada Hecha Correctamente
5. Métricas de Evaluación y Errores Comunes en la Práctica — Elegir la métrica adecuada — exactitud, precisión, exhaustividad, F1, ROC-AUC, RMSE/MAE — y evitar trampas de desbalance de clases y fuga de datos.
   • Métricas de clasificación y la matriz de confusión
   • ROC-AUC y métricas de regresión
   • Desequilibrio de clases y fuga de datos