PROGRAMA DE ESPECIALIZACIÓN
MACHINE LEARNING
CON PYTHON
EDICIÓN: V - 2025
DESCRIPCIÓN
El Aprendizaje Automático busca responder cómo una máquina puede aprender
de la experiencia para mejorar en una tarea y cómo extraer conocimiento
automáticamente de grandes volúmenes de datos. Sus algoritmos, basados en
Estadística, Optimización y Ciencias de la Computación, crean sistemas que
toman decisiones sin intervención humana.
Hoy es un campo ampliamente aplicado, desde la web y la seguridad nacional
hasta la astrofísica. El premio de $1M de Netflix impulsó el interés general, y
sitios como Kaggle organizan concursos de datos. Este Programa ofrece una
muestra representativa de modelos y algoritmos, preparándolo para
investigación o aplicación industrial del aprendizaje automático.
PÚBLICO OBJETIVO
Este programa está dirigido a los profesionales de las siguientes carreras:
Análisis de datos, Ciencia de la Computación, Desarrollo de software,
Estadística, Ingeniería de Sistemas, Ingeniería informática, Matemática y
áreas afines.
¿QUÉ APRENDERÁS EN ESTE PROGRAMA?
Dominar los fundamentos de Python
Realizar análisis de datos exploratorio con Pandas
Crear visualizaciones de datos informativas con Matplotlib
Gestionar eficientemente proyectos de desarrollo de software con Git
Construir modelos de aprendizaje automático con Scikit-learn
Desarrollar aplicaciones web escalables con Flask
REQUISITOS ACADÉMICOS
Conocimientos básicos sobre algoritmos
Contar con una cuenta de gmail
CERTIFICACIÓN
1. Certificado Digital
Al haber culminado todos los módulos del Programa y aprobado con un
promedio ponderado mayor ó igual a 14, se le otorga al participante un
Certificado de aprobación a nombre de la Universidad Nacional de Ingeniería.
2. Constancia de Asistencia
Al participante que no cumpla con los requisitos de certificación, se le
otorgará una Constancia de Asistencia del Curso, para lo cual el alumno
deberá contar con una asistencia a clase mínima del 80%. En el caso de no
cumplir con dicho requerimiento no se emitirá dicha Constancia.
EVALUACIÓN
La nota del programa se obtendrá de la siguiente manera:
El programa incluye una nota por módulo, las cuales se sumarán y se dividirán entre
4, según la siguiente fórmula:
La asistencia del curso se obtendrá de la siguiente manera:
La asistencia a cada sesión se apertura automáticamente en la plataforma CTIC
VIRTUAL durante el horario de la clase.
DOCENTE
Abraham Zamudio
Egresado de la Escuela Profesional de Matemática de
la Universidad Nacional de Ingeniería. Con más de 10
años de experiencia como desarrollador de proyectos
de simulación computacional e inteligencia artificial
usando tecnologías de alto performance en
ingeniería, consultor en proyectos de infraestructura
TI usando sistemas distribuidos y profesor de cursos
de Business Intelligence e Inteligencia artificial en
diversas instituciones públicas y privadas.
Experiencia laboral en el Radio Observatorio de
Jicamarca (Instituto Geofísico del Perú), El
Laboratorio costero de Paita (Instituto del Mar del
Perú), la Escuela de Posgrado de la Universidad
Peruana Cayetano Heredia, el Centro de
Investigación de la Universidad del Pacífico, el Centro
de Tecnologías de Información y Comunicaciones de
la Universidad Nacional de Ingeniería.
Yuri Ccoicca
Profesor de Ciencias de la Computación de la UNI.
Docente de pregrado a tiempo parcial en la Facultad
de Ingeniería de la Universidad ESAN. Docente a
tiempo parcial en la escuela de ingeniería de la
Escuela Militar de Chorrillos y docente de la Maestría
en Ciencia de la Computación de la Universidad
Nacional de Ingeniería (UNI) y de la Maestría en
Dirección Estratégica de Tecnologías de Información
de la Universidad Científica del Sur (UCSUR). Maestro
en ciencias con mención en ingeniería de sistemas y
[Link]. con mención en ingeniería de petróleo, grados
académicos dados por la Universidad Nacional de
Ingeniera (UNI).
Juan Chipoco
Docente de Ciencia de Datos en el Oficina de
tecnologías de la información de la
UniversidadNacional de Ingeniería - OTI UNI.
Data Scientist con amplia trayectoria, especializado
en el diseño de soluciones de ciencia de datos y
con experiencia global en la ejecución exitosa de
proyectos en diversos entornos. Ha liderado
iniciativas en Perú, Bolivia, Inglaterra y Bahréin, en
la implementación de soluciones innovadoras.
(*) La Universidad se reserva el derecho de cambiar algún docente por contingencias inesperadas.
PLAN DE ESTUDIOS
MÓDULO 1 - FUNDAMENTOS DE PYTHON
SESIÓN NOMBRE DEL TEMA DESCRIPCIÓN
Estadística
Fundamentos de Data Science y
1 Probabilidades
Machine Learning
Optimización
Variables básicas (int, float, complex,
bool y str)
Operaciones con las variables básicas
2 Algoritmos y programación en Python El módulo math y el módulo random
Rutinas de entrada y salida
Listas, Tuplas, Diccionarios y Sets
El módulo datetime
Estructuras de decisión y repetición
Funciones
Algoritmos y programación en Python Métodos Numéricos :
3
Método de la Bisección
Método de la Secante
Método de Newton-Raphson
El tipo ndarray
Creación de arrays : Unidimensionales,
bidimensionales y multidimensionales
Indexado y Slicing / Reshaping and
4 Algebra Lineal usando Numpy
Resizing
Expresiones vectorizadas
Cálculo de autovalores y autovectores
Solución de sistemas lineales
Análisis de componentes principales
Cálculo de la matriz de covarianza
Descomposición de
autovalores/autovectores
Proyección sobre componentes
Aplicaciones del Algebra Lineal en el principales
5
Machine Learning Singular Value Decomposition (SVD)
Descomposición
Reducción de la dimensionalidad
Regresión Lineal
Formulación Matricial
Ecuaciones normales
PLAN DE ESTUDIOS
SESIÓN NOMBRE DEL TEMA DESCRIPCIÓN
Series y DataFrames
Series de tiempo en pandas
Tipos de datos (Tipos de variables
estadísticas)
Selección de datos
6 El módulo Pandas (I)
Exploración y transformación de datos
Messy data
Missing data
Summarizing data (agrupación y
agregación)
Tablas dinámicas : pivot_table
El método plot : Usando la API de
matplotlib
7 El módulo Pandas (II) Análisis exploratorio unidimensional
Análisis exploratorio bidimensional
Análisis exploratorio
Multidimensional
PLAN DE ESTUDIOS
MÓDULO 2 - VERSIONAMIENTO DE SOFTWARE
SESIÓN NOMBRE DEL TEMA DESCRIPCIÓN
Introducción a los sistemas de control de
versiones en el desarrollo de software
8 Control de versiones Beneficios de implementar un sistema de
versionamiento.
Diferencias clave entre CVS, SVN y Git
Instalación en Windows
Configuración básica
Flujo Básico de Git
9 Instalación y Configuración de Git Inicializar un repositorio
Añadir archivos al seguimiento
Confirmar cambios
Ver el historial de cambios
Clonar repositorios
Vincular repositorios remotos
10 Trabajo con Repositorios Remotos
Enviar cambios a un remoto
Obtener cambios de un remoto
Crear y cambiar ramas
11 Ramas (Branches) en Git Flujo de trabajo con ramas.
Eliminar y renombrar ramas.
Revertir cambios
Interactuar con commits
12 Herramientas Avanzadas en Git
Uso de stashing para cambios
temporales.
PLAN DE ESTUDIOS
MÓDULO 3 - APRENDIZAJE AUTOMÁTICO
SESIÓN NOMBRE DEL TEMA DESCRIPCIÓN
Tipos de Aprendizaje Automático :
Supervisado , No Supervisado y por
Refuerzo
Una introducción al Aprendizaje Overfitting, Underfitting y el trade-off
13
Automático (I) sesgo-varianza
Validación Cruzada
Técnicas de regularización
Hiperparametros
Métricas de calidad para modelos de
aprendizaje Automático:
Métricas de Clasificación
Una introducción al Aprendizaje
14 Métricas de Regresión
Automático (II)
Métricas de Clustering
Ciclo de Vida de un proyecto de
Aprendizaje Automático
Estimación:
Estimadores puntuales (media
muestral, varianza muestral).
Intervalos de confianza.
Pruebas de hipótesis:
Formulación de hipótesis nula y
15 Estadística Inferencial
alternativa.
Estadísticos de prueba.
Valores críticos y regiones de
rechazo.
Errores tipo I y tipo II.
Pruebas t, z, chi-cuadrado, ANOVA.
Regresión Lineal
Modelos Lineales Generalizados
16 Métodos de regresión
Regresión Logística
Regresion de Poisson
El Algoritmo ID3 versus el Algoritmo C4.5
Árboles de Clasificación
17 Árboles de Decisión Árboles de Regresión
Importancia de las variables
independientes en un arbol de decision
PLAN DE ESTUDIOS
SESIÓN NOMBRE DEL TEMA DESCRIPCIÓN
Bagging
Boosting
Métodos Ensemble en Aprendizaje
18 Stacking
Automático
Bosques Aleatorios de Clasificación
Bosques Aleatorios de Regresión
Método del Gradiente Descendiente
XGBoost
19 La técnica Gradient Boosting
Modelos de Regresión
Modelos de Clasificación
Grid Search
20 Técnicas de Selección de Modelos Random Search
Optimizacion Bayesiana.
Técnicas de Preprocesamiento de Datos
Sobremuestreo (Oversampling):
SMOTE (Synthetic Minority Over-
Estrategias para Modelos de
sampling Technique)
21 Clasificación con Desequilibrio de
ADASYN (Adaptive Synthetic
Clases
Sampling)
Algoritmos de Aprendizaje Adaptativos
Anomaly detection
¿Qué es el clustering?
Aprendizaje No Supervisado:
22 Medidas de similitud y distancia
Clustering
Criterios de evaluación
Principio de funcionamiento.
Inicialización de centroides.
23 El Algoritmo K-Means
Algoritmo paso a paso.
Variantes: K-medoids, fuzzy c-means.
Aglomerativo (agrupación ascendente) y
divisivo (agrupación descendente).
24 Clustering Jerárquico
Métodos de enlace (single linkage,
complete linkage, average linkage).
Dendrogramas.
PLAN DE ESTUDIOS
SESIÓN NOMBRE DEL TEMA DESCRIPCIÓN
Algoritmo DBSCAN (Density-Based
Spatial Clustering of Applications with
Clustering Basado en Densidad
25 Noise)
OPTICS (Ordering Points To Identify the
Clustering Structure)
26 Modelos de mezcla Gaussian Mixture Models (GMM)
PCA
Algoritmos de Reducción de
27 t-SNE
Dimensionalidad
ISOMAP
PLAN DE ESTUDIOS
MÓDULO 4 - DESPLIEGUE DE SOLUCIONES DE APRENDIZAJE AUTOMÁTICO
SESIÓN NOMBRE DEL TEMA DESCRIPCIÓN
Conceptos básicos de frameworks web
Estructura básica de una aplicación
28 Introducción a Flask Flask.
Rutas, vistas y plantillas.
Manejo de solicitudes HTTP.
Serialización de modelos: Pickle, joblib.
Carga de modelos en la aplicación
Integración de Modelos de Machine Flask.
29
Learning en Flask Creación de APIs REST para servir
predicciones.
Validación de la entrada de datos.
Configuración del entorno virtual.
Ejecución de la aplicación en modo
30 Despliegue en Entornos Locales
desarrollo.
Depuración y profiling.
INFORMACIÓN GENERAL
Horario Modalidad Duración
Lunes, Miércoles y Viernes Virtual 90 horas cronológicas
19:00 a 22:00hrs. Clases en vivo 120 horas pedagógicas
30 sesiones
INVERSIÓN
PRECIO
REGULAR S/1,800
PROCESO DE INSCRIPCIÓN
Los siguientes documentos deberán ser enviado al correo electrónico:
[Link]@[Link]
1. Completar y firmar la Ficha de Inscripción
2. Completar y firmar el Reglamento de Términos y Condiciones de
Cursos/Programas
3. Copia simple del DNI (legible, ambas caras)
[Link] de pago
Nota: Una vez enviado los documentos solicitados vía correo electrónico, el participante deberá esperar la
confirmación para realizar el pago por la matrícula.
MODALIDADES DE PAGO
Banco de Crédito Aceptamos todas las tarjetas
PASO 1: Solicita a un asesor de ventas de la Unidad de Capacitación
activar el ID personal. Indicando los siguientes datos: nombre y
apellidos, número de documento de identidad (DNI o
pasaporte), correo electrónico, número de celular y monto a
pagar.
(*) En el caso de requerir factura, se solicitará los siguientes adicionales: R.U.C, Razón
Social, Domicilio Fiscal y correo electrónico donde se enviará dicha factura.
PASO 2: Procede a realizar el pago a través de los siguientes canales de
pagos autorizados.
Agente y Ventanilla Banca móvil - BCP
Pago en Niubiz
Indicar el código 15226 Selecciona la opción: "PAGAR SERVICIO"
Universidad Nacional de Ingeniería Escribe en el buscador por Empresa o Servicio: Recibirá automáticamente un
+ DNI, Pasaporte o RUC del alumno, "Universidad Nacional de Ingeniería"
Concepto: Elije la opción de Universidad Nacional de
correo electrónico con el enlace
PAGO DE ESTUDIANTES Ingeniería "PAGO ESTUDIANTES" para realizar el pago en línea.
Coloca tus datos personales: DNI / pasaporte /
RUC
y ¡Listo, pago realizado!
COMUNÍCATE CON UN ASESOR
WhatsApp: +51 939 253 667
[Link]@[Link]
Horario de atención Lun. a Vie. de 09:00 17:00hrs.
Oficina de Tecnologías de la Información
[Link]