Aprendizaje automático de machine learning visual con Orange |

Sumilla

Este curso teórico-práctico introduce a los participantes en el uso de Orange, una herramienta visual para análisis de datos y aprendizaje automático, sin necesidad de conocimientos de programación. Se explorarán técnicas fundamentales de estadística descriptiva e inferencial para la comprensión de datos, seguido de preprocesamiento para mejorar la calidad de los conjuntos de datos. Luego, se abordarán modelos de aprendizaje supervisado (como regresión y clasificación) y no supervisado (clustering), con aplicaciones prácticas en distintos tipos de datos. Al finalizar el curso, los participantes serán capaces de construir, evaluar e interpretar modelos de Machine Learning, aplicándolos en la toma de decisiones basada en datos.

A cargo de

Victor Daniel Farro Diaz

Magíster en Estadística e Ingeniero Industrial por la Pontificia Universidad Católica del Perú (PUCP), con más de 7 años liderando proyectos bajo metodologías ágiles y tradicionales, y más de cinco años como consultor especializado en:

✔ Transformación de procesos: Diagnóstico, optimización y rediseño de operaciones.

✔ Inteligencia de datos: Análisis cuantitativo, cualitativo y visualización estratégica.

✔ Soluciones basadas en evidencia: Aplicación de métodos estadísticos para la toma de decisiones.

Docente en Educación Continua (PUCP) y la Universidad Antonio Ruiz de Montoya, formando profesionales con enfoque práctico y herramientas innovadoras. Consultor para diversas unidades PUCP, potenciando eficiencia y resultados medibles.

Contenido

Los contenidos del curso están organizados según el siguiente temario:

SESIÓN	TEMAS	COMPETENCIAS A DESARROLLAR	FECHAS
Sesión 1	Fundamentos de Estadística – Introducción a la estadística – Medidas de centralidad, variabilidad y de posición – Visualización y exploración de datos – Distribuciones de probabilidad – Intervalos de confianza – Pruebas de hipótesis	Comprender y aplicar conceptos estadísticos fundamentales para el análisis de datos.	16/06/25
Sesión 2	Introducción a Machine Learning con Orange – Conceptos básicos de aprendizaje automático – Proceso de aprendizaje supervisado y no supervisado – Flujo de trabajo en Orange para análisis de datos	Utilizar Orange como herramienta para la exploración y modelado de datos.	19/06/25
Sesión 3	Preprocesamiento de Datos: – Imputación de datos faltantes – Transformación de datos – Identificación y manejo de datos atípicos – Balanceo de datos	Preparar y limpiar datos para mejorar el rendimiento de modelos de Machine Learning.	23/06/25
Sesión 4	Modelos de Aprendizaje Supervisado – Parte I: – Algoritmo Naïve Bayes – Algoritmo K-Vecinos Más Cercanos	Implementar y evaluar modelos básicos de clasificación en Orange.	26/06/25
Sesión 5	Modelos de Aprendizaje Supervisado – Parte II: – Algoritmo de Árboles de Clasificación y Regresión – Algoritmo de Bosque Aleatorio	Implementar y evaluar modelos intermedios de clasificación, en Orange.	30/06/25
Sesión 6	Modelos de Aprendizaje Supervisado – Parte III: – Algoritmo de Regresión Lineal – Algoritmo de Regresión Logística	Implementar y evaluar modelos intermedios de clasificación y regresión, en Orange.	3/07/25
Sesión 7	Modelos de Aprendizaje Supervisado – Parte IV: – Algoritmo de Redes neuronales artificiales	Implementar y evaluar modelos avanzados de clasificación y regresión, en Orange.	7/07/25
Sesión 8	Modelos de Aprendizaje No Supervisado: – Algoritmo de Agrupación (Clustering) K-Means –	Aplicar modelos para identificación de patrones en datos sin etiquetar, en Orange.	10/07/25

Público objetivo

Dirigido a:

Profesionales de diversas áreas que busquen aplicar técnicas de Machine Learning para el análisis y toma de decisiones en su campo de trabajo.
Investigadores y docentes que requieran herramientas avanzadas para la predicción y agrupación de datos en sus estudios y proyectos académicos.
Estudiantes universitarios interesados en adquirir conocimientos sobre modelos de Machine Learning sin necesidad de conocimientos previos de programación.

Requisitos:

Contar con Ms Office y Orange.
Tener conocimientos básicos de estadística descriptiva e inferencial.

Cabe mencionar que el Orange es un software libre y se puede descargar en el siguiente enlace: <https://orangedatamining.com/download/>

Información general

Duración: Del 16 de junio al 10 de julio / 4 semanas / 24 horas

Modalidad: virtual (sincrónica y asincrónica)

Horario: lunes y miércoles de 7:00 a 9:00pm

Inversión: S/ 480*

Cierre de inscripciones: 15 de junio

*Consulta por descuentos a nuestras asesoras comerciales*

* (Ver procedimiento de pago)

Evaluación

Indicador	Porcentaje
Asistencia y participación durante clase	30%
Ejercicios y tareas	70%
Total	100 %

Certificación

Ver más

Para obtener la certificación, la Universidad exige la aprobación del curso con nota aprobatoria (mínimo 11) y asegurar un porcentaje mínimo de asistencia (70%).

La certificación será emitida y entregada digitalmente.

Requerimientos técnicos

Debido a la modalidad en la que se desarrolla el curso, se deberá tomar en cuenta los siguientes requerimientos técnicos:

Dispositivos con cámara y audio (PC de escritorio, portátil, móviles)
Contar con el sistema operativo Windows 7 o cualquier versión posterior.
Conexión a Internet permanente con una velocidad mínima de 256 Kbps.
Habilitar el zoom en su dispositivo.

Importante

La oficina de Formación Continua se reserva el derecho de postergar el inicio o no proceder a la apertura de algún curso si el número de inscritos no llega al mínimo establecido.