Descripción: Este curso aborda la ingeniería de datos fundamental para cualquier proyecto ambiental, enfocándose en la limpieza, manipulación y selección estratégica de variables utilizando el ecosistema de Python.

Plan de Estudio:

• Clase 1: Entorno de Python para Ciencia de Datos. Instalación y configuración (Anaconda, VS Code, Google Colab). Estructuras de datos básicas.
• Clase 2: Análisis Exploratorio de Datos (EDA) I: Análisis Cualitativos. Manejo de datos categóricos en encuestas y monitoreos ambientales.
• Clase 3: Análisis Exploratorio de Datos (EDA) II: Análisis Cuantitativos. Estadística descriptiva con Pandas y Numpy.
• Clase 4: Visualización de Datos I. Gráficos estáticos y principios de comunicación visual con Matplotlib.
• Clase 5: Visualización de Datos II. Gráficos estadísticos avanzados con Seaborn para variables ambientales.
• Clase 6: Preprocesamiento de Datos I: Detección y tratamiento de Outliers (Valores atípicos) en series temporales y espaciales.: Preprocesamiento de Datos II: Técnicas de Imputación de datos faltantes (Simple e iterativa). Pipeline de Ingeniería de Datos aplicado a un dataset real
• Clase 7: Selección de Variables (Feature Selection) I: Importancia de variables con Random Forest y método Boruta. Selección de Variables II: Eliminación Recursiva de Características (RFE) y optimización del dataset.
• Clase 8: Presentación de Proyectos

Descripción: Dominio de algoritmos supervisados y no supervisados. Se enfoca en agrupar datos ecológicos (Clustering) y generar modelos predictivos de clasificación y regresión robustos.

Plan de Estudio:

• Clase 1: Aprendizaje No Supervisado I: Clustering No Jerárquico (K-Means), PAM, FUZZY. Aplicación en clasificación de especies o zonas.
• Clase 2: Aprendizaje No Supervisado II: Clustering Jerárquico (Dendrogramas). Interpretación ecológica.
• Clase 3: Reducción de la Dimensionalidad. Análisis de Componentes Principales (PCA) para datos multivariados.
• Clase 4: Métodos de Ordenación Ecológica I: Escalamiento Multidimensional No Métrico (NMDS): Ideal para datos de conteo de especies no lineales. Análisis de Coordenadas Principales (PCoA). Evaluación de la calidad de la ordenación (Stress).
• Clase 5: Métodos de Ordenación Ecológica II:  Análisis de correspondencia y Correspondencia corregida. Análisis de la relación de especies y los sitios de muestreo. Análisis gráficos.
• Clase 6: Introducción a la minería de texto. Minería de Texto (Text Mining) para Datos Ambientales. Limpieza de texto: Tokenización, eliminación de stopwords (palabras vacías) y stemming en informes técnicos o papers. Nube de Palabras y Frecuencias: Visualización rápida de términos clave en normativas o EIAs.
• Clase 7: Introducción a la minería de texto II: Uso de API para procesar varios pdf usando modelos de GEMINI.
• Clase 8: Presentación de proyectos en Ciencias Ambientales

Descripción: Dominio de algoritmos supervisados. Se enfoca en los métodos de clasificación y de regresión, aplica a datos en ciencias ambientales.

Plan de Estudio:

• Clase 1: Métodos de Clasificación I. Bases de la clasificación en ML y Métricas de evaluación (Matriz de confusión, ROC, AUC). Regresión Logística.
• Clase 2: Métodos de Clasificación II. Algoritmos basados en distancia e hiperplanos: K-Nearest Neighbors (KNN) y Máquinas de Vectores de Soporte (SVM).
• Clase 3: Métodos de Clasificación III. Modelos basados en árboles: Decision Trees, Random Forest y Gradient Boosting.
• Clase 4: Métodos de Regresión I. Fundamentos teóricos. Regresión Lineal Simple y Múltiple. Métricas de error (RMSE, MAE, MAPE).
• Clase 5: Métodos de Regresión II. Regresión no lineal con K-Nearest Neighbors (KNN) y Support Vector Regression (SVR).
• Clase 6: Métodos de Regresión III. Modelos de ensamble para regresión: Decision Trees, Random Forest y Gradient Boosting.
• Clase 7: Comparación de algoritmos de clasificación y regresión.
• Clase 8: Presentación de Proyectos de Machine Learning (Modelado Predictivo).

Descripción: Curso avanzado enfocado en redes neuronales artificiales, visión por computadora y la puesta en producción (deployment) de los modelos generados para que sean accesibles vía web.

Plan de Estudio:

• Clase 1: Teoría de Inteligencia Artificial Moderna. Diferencias entre ML y DL. Arquitectura de un Perceptrón Multicapa.
• Clase 2: Deep Learning para Clasificación. Construcción de redes densas con Keras/TensorFlow para datos tabulares.
• Clase 3: Deep Learning para Regresión. Predicción de variables continuas ambientales usando redes neuronales profundas.
• Clase 4: Introducción a la Visión por Computadora. Teoría de Redes Neuronales Convolucionales (CNN). Uso de Teachable Machine.
• Clase 5: Modelado web de Teachable Machine con Python. Exportación de modelos de imágenes y consumo en script local.
• Clase 6: Fundamentos de Despliegue Web (MLOps básico). Introducción a Streamlit y configuración de entorno en Visual Studio Code.
• Clase 7: Despliegue web de modelos de Machine Learning I. Creación de app interactiva para modelos de Clasificación (Random Forest/SVM).
• Clase 8: Presentación de Proyectos Finales Integrales (Modelo + Aplicativo Web).

Tu kit de inicio, que contempla: material académico, formatos, plantillas de trabajo, estarán disponibles en el campus virtual 48 horas antes de la fecha de inicio del curso. El usuario y contraseña de acceso al campus virtual se te enviará al correo que registraste en la ficha de inscripción.

Las puedes seguir en diferido. Las clases son grabadas y están disponibles en el campus virtual 24/7.

Puedes interactuar en tiempo real con el docente y hacer todas las consultas que desees.

Medimos de forma integral el proceso de aprendizaje: exámenes objetivos (parcial y final), desempeño en las sesiones prácticas.

Todos los alumnos, de la modalidad online en vivo, rendirán los
exámenes en el campus virtual y en el horario programado con anterioridad.

El certificado no indica la modalidad de estudio.

Las horas académicas totales certificadas es el resultado del tiempo que le tendrías que dedicar al curso, y es la suma de las horas de clases via zoom, las horas de práctica de los ejercicios, talleres complementarios y las evaluaciones.

Todos nuestros cursos y especializaciones estan certificados por la Facultad de Ciencias de la Universidad Nacional Agraria la Molina - UNALM que cuenta con licenciamiento de la SUNEDU.

Mas información: aquí

El certificado se envia en formato digital como máximo hasta 30 días hábiles después de culminado el curso (incluyendo la última evaluación del curso).

Si, realizamos capacitaciones InHouse e inscripciones corporativas a través de nuestra unidad Corporativa, puedes contactar una asesoría al WhatsApp: 923 029305

Puedes pagar con:

Tarjeta de crédito - hasta 12 cuotas. según las condiciones de cada banco (*).

Tarjeta de débito - 1 pago sin interés

Trasferencia bancaria - Banco de Crédito Cta. Cte. Soles N° 191-0031059-0-26 a nombre de la Fundación para el Desarrollo Agrario FDA – Universidad Nacional Agraria La Molina. RUC 20101259014 CCI 00219100003105902650

(*) Los intereses aplicados en pagos con tarjeta de crédito dependen de cada banco y se reflejarán en el resumen de tu cuenta. La Univerisidad no puede confirmar ni informar estos recargos.