Curso de Árboles de Decisión con Python
Máxima FormaciónCurso online
590 €
IVA exento
Duración : 6 Semanas
El Curso de Árboles de Decisión con Python de Máxima Formación es una formación 100 % online diseñada para dominar una de las técnicas más potentes del machine learning: los árboles de decisión. Con una duración aproximada de 60 horas, este curso enseña a construir, evaluar e interpretar modelos predictivos de clasificación y regresión utilizando Python y sus principales librerías.
A lo largo de la formación aprenderás a crear árboles desde cero, ajustar sus hiperparámetros, aplicar técnicas avanzadas como Bagging, Random Forest y Boosting, y realizar procesos de poda y validación. Además, descubrirás cómo interpretar modelos complejos mediante herramientas de explicabilidad como LIME y SHAP, esenciales para comprender el impacto de las variables en las predicciones.
Esta formación está dirigida a analistas de datos, científicos de datos, investigadores y estudiantes que ya cuentan con conocimientos básicos de Python y quieren especializarse en modelos supervisados. También es ideal para profesionales que deseen aplicar el aprendizaje automático en proyectos reales de predicción, análisis o clasificación.
El curso destaca por su enfoque eminentemente práctico, basado en la metodología learn by doing, que permite aprender haciendo desde el primer día mediante ejercicios guiados en entornos de desarrollo como Jupyter Notebook.
Entre sus ventajas se incluyen la flexibilidad total (sin horarios ni fechas fijas), tutorías personalizadas e ilimitadas, y contenidos actualizados que incorporan las técnicas más recientes del machine learning aplicado con Python.
A diferencia de otros programas generalistas, este curso se centra exclusivamente en los árboles de decisión y sus variantes, ofreciendo una formación profunda, práctica y orientada al uso profesional.
Respaldado por la experiencia de Máxima Formación, centro especializado en ciencia de datos y estadística aplicada y colaborador del CSIC, este curso combina rigor técnico, accesibilidad y aplicación inmediata.
Emagister S.L. (responsable) tratará tus datos personales con la finalidad de gestionar el envío de solicitudes de información y comunicaciones promocionales de formación con tu consentimiento. Ejerce tus derechos de acceso, supresión, rectificación, limitación, portabilidad y otros, según se indica en nuestra política de privacidad.
Objetivos
El Curso de Árboles de Decisión con Python tiene como objetivo capacitar al alumno en la creación, evaluación y explicación de modelos predictivos basados en árboles de decisión aplicados con Python. Al finalizar la formación, el participante será capaz de: * Construir modelos de clasificación y regresión mediante árboles de decisión en Python. * Aplicar técnicas avanzadas como Bagging, Random Forest y Boosting para mejorar el rendimiento predictivo. * Ajustar hiperparámetros y realizar poda (pruning) para evitar el sobreajuste de los modelos. * Interpretar modelos complejos con herramientas de explicabilidad como LIME y SHAP. * Evaluar y comparar modelos mediante métricas de rendimiento adecuadas. * Integrar todo el flujo de trabajo de machine learning supervisado en Python de manera práctica y reproducible.
A quién va dirigido
El Curso de Árboles de Decisión con Python está dirigido a profesionales, estudiantes e investigadores que deseen aplicar técnicas avanzadas de machine learning para la creación de modelos predictivos basados en árboles de decisión. Esta formación es ideal para: * Analistas de datos, científicos de datos y estadísticos que buscan profundizar en el uso de Python para construir modelos de clasificación y regresión. * Profesionales de áreas técnicas o científicas —como ingeniería, economía, biología, psicología o marketing— que trabajan con grandes volúmenes de datos y desean extraer conocimiento a través de técnicas predictivas. * Investigadores y docentes que quieren incorporar métodos de análisis automatizados y reproducibles a sus proyectos. * Estudiantes de posgrado y doctorandos interesados en especializarse en modelos supervisados de aprendizaje automático. * Personas con conocimientos básicos de Python y fundamentos de estadística que quieran avanzar hacia un nivel intermedio en machine learning. Gracias a su enfoque práctico, tutorías personalizadas y modalidad 100 % online, este curso permite avanzar a tu ritmo mientras aprendes a aplicar las técnicas de árboles de decisión en contextos reales de análisis y predicción de datos.
Requisitos
El Curso de Árboles de Decisión con Python está diseñado para alumnos con una base previa en programación y análisis de datos que deseen profundizar en el uso de técnicas de machine learning supervisado. Se recomienda que el participante cumpla los siguientes requisitos: * Tener conocimientos básicos de Python, incluyendo estructuras de datos, bucles y uso de librerías. * Poseer nociones fundamentales de estadística y análisis de datos, especialmente en conceptos como correlación, regresión o validación de modelos. * Contar con un ordenador con conexión a Internet y la posibilidad de instalar entornos de desarrollo como Anaconda o Jupyter Notebook. * Disponer de motivación para aprender de forma práctica y aplicar los conocimientos en proyectos reales de análisis predictivo. El curso está orientado a un nivel intermedio, aunque incluye explicaciones detalladas y tutorías personalizadas para facilitar el aprendizaje incluso a quienes tienen una experiencia limitada en programación.
Temario completo de este curso
TEMA 1. ÁRBOLES DE DECISIÓN
Lo que aprenderás:
✓ Introducción al Machine Learning.
✓ Árboles de Decisión individuales.
✓ Métricas para modelos de regresión y clasificación.
✓ Árboles de Decisión con Python.
✓ Tree Pruning.
✓ Búsqueda de hiperparámetros.
✓ Ejemplos de problemas de regresión y clasificación resueltos.
TEMA 2. MODELOS DE BAGGING
Lo que aprenderás:
✓ Introducción a los modelos ensembles.
✓ Modelos de Bagging (Bootstrap Aggregation).
✓ Modelos de Random Forest.
✓ Búsqueda de hiperparámetros.
✓ Ejemplos de problemas de regresión y clasificación resueltos.
TEMA 3. MODELOS DE BOOSTING
Lo que aprenderás:
✓ Introducción a los modelos de Boosting.
✓ Gradient Boosting Tree.
✓ XGBoost.
✓ LightGBM
✓ CatBoost
✓ Búsqueda de hiperparámetros.
✓ Ejemplos de problemas de regresión y clasificación resueltos.
TEMA 4. INTERPRETACIÓN DE MODELOS DE BLACK BOX
Lo que aprenderás:
✓ Interpretación de modelos de Caja Negra (Black Box).
✓ Importancia de las variables por Permutación.
✓ Dependencia Parcial.
✓ Método de interpretación: LIME.
✓ Método de interpretación: SHAP.
✓ Ejemplos de problemas de regresión y clasificación resueltos.
980 € 315 €
1.520 € 380 €
1.920 € 480 €
1.520 € 890 €
189 €