 |
 |
 |
 |
 |
| Duración | Modalidad | Sede | Fecha | Horario (s) |
| 40 horas | En línea | Zoom UV o Teams | 27 de marzo al 09 de mayo de 2026 | Viernes: 27 de marzo; 10, 17, y 24 de abril; 1, 8 de mayo en horario de 17:00 hrs a 20:00 hrs. Sábados: 28 de marzo; 11, 18 y 25 de abril y 2 de mayo, en horario de 08:00 hrs a 12:00 hrs, excepto el 9 de mayo que será de 09:00 hrs a 11:00 hrs. |
» Informes e inscripciones:
 L.N. Grecia Yatzil Lagunes Galván |
 coordest4@uv.mx |
 2288421700 ext. 11531 |
Objetivo:
Desarrollar en los estudiantes las habilidades básicas para programar en Python y aplicar conceptos iniciales de Machine Learning, permitiendo el análisis de datos y la construcción de modelos sencillos, fomentando la comprensión de algoritmos y técnicas de predicción de manera práctica y accesible.
Dirigido a
Desarrolladores con conocimientos básicos de programación que deseen iniciarse en Python y en los fundamentos del Machine Learning. Está especialmente pensado para quienes buscan introducirse en el análisis de datos y en el desarrollo de modelos predictivos, sin necesidad de contar con experiencia previa en inteligencia artificial.
Conoce los temas
Módulo 1. Fundamentos de Inteligencia Artificial y Machine Learning
1.1. Conceptos clave: IA, Machine Learning y Deep Learning.
1.2. Tipos de aprendizaje: supervisado, no supervisado y por refuerzo.
1.3. Aplicaciones en el entorno académico y laboral.
Módulo 2. Fundamentos de Python
2.1. Variables y tipos de datos.
2.2. Entrada y salida de información.
2.3. Sintaxis básica y convenciones de programación.
Módulo 3. Estructuras de control, colecciones de datos, funciones y modularidad en Python
3.1. Condicionales y ciclos.
3.2. Listas, diccionarios, tuplas y conjuntos.
3.3. Definición y uso de funciones.
3.4. Creación y uso de módulos.
Módulo 4. Fundamentos de Python para Machine Learning
4.1. Introducción a librerías científicas: NumPy y Pandas.
4.2. Lectura, exploración y manipulación de datasets.
4.3. Buenas prácticas y entornos virtuales.
Módulo 5. Preprocesamiento y visualización de datos
5.1. Limpieza y normalización de datos.
5.2. Manejo de valores faltantes y categóricos.
5.3. Visualización con Matplotlib y Seaborn.
Módulo 6. Modelos de regresión
6.1. Introducción a la regresión lineal simple y múltiple.
6.2. Implementación en scikit-learn.
Módulo 7. Modelos de clasificación
7.1. Conceptos de clasificación supervisada.
7.2. Algoritmos: k-NN, Árboles de decisión y Regresión logística.
7.3. Métricas: accuracy, precision, recall, matriz de confusión.
Módulo 8. Modelos no supervisados y clustering básico
8.1. Introducción al aprendizaje no supervisado.
8.2. Algoritmos de clustering: k-Means.
8.3. Visualización e interpretación de resultados.
Módulo 9. Proyecto integrador
9.1. Selección de un dataset.
9.2. Construcción de un modelo sencillo (regresión, clasificación o clustering).
9.3. Análisis de resultados.
Instructora
|
MSC. Reyna Nohemy Soriano Machorro Maestría en Sistemas Computacionales por el Instituto Tecnológico de Orizaba. |
Costo
 $ 3, 500. 00 El costo incluye pago de constancia e inscripción. |
 Al concluir el taller obtendrás una constancia con valor curricular digitalizada expedida por el Departamento de Educación Continua. |
