Machine Learning Avanzado

Por qué elegirnos

Formación en
Machine Learning avanzado

El programa desarrolla competencias en modelamiento predictivo, con énfasis en la comprensión matemática de los algoritmos, su validación estadística y su aplicación en entornos corporativos.

Proyecto en cada módulo

Cada módulo incluye un proyecto que el participante desarrolla de forma autónoma. El programa cierra con un proyecto aplicado, con exposición y evaluación final.

Docente con experiencia en el sector financiero

El programa está a cargo de un científico de datos con más de 8 años de experiencia en gestión del riesgo de crédito, Machine Learning e Inteligencia Artificial para el sector financiero.

Fundamentos matemáticos y estadísticos

Se estudia qué hace cada algoritmo, cuáles son sus supuestos y cómo validar sus resultados.

Inteligencia Artificial Explicable

Técnicas para interpretar los modelos y sustentar sus resultados ante equipos técnicos, comités directivos y entes regulatorios.

Módulos

Semanas

130

Horas académicas

Proyectos entregables

Plan de estudios

5 módulos · 35 sesiones1RA EDICIÓN

Cuatro módulos secuenciales y un módulo de proyecto aplicado, con un proyecto entregable al cierre de cada módulo. Selecciona cada módulo para consultar sus sesiones.

MÓDULO I Fundamentos de Machine LearningInfraestructura, matemáticas y modelos de referencia 8 sesiones

Semana 01Clasificación de la Inteligencia Artificial: IA, Machine Learning y Deep Learning. El efecto Dunning-Kruger en la curva de aprendizaje de la IA. El Teorema de No Free Lunch: por qué no existe un modelo universalmente superior
Semana 01Infraestructura para Machine Learning: relación técnica entre ML, Cloud Computing y Big Data. Requerimientos de cómputo: CPU vs. GPU
Semana 01Bias-Variance Tradeoff: fundamento matemático del sobreajuste y el subajuste. Train/test split y validación cruzada inicial
Semana 02Preparación y auditoría de datos: análisis exploratorio (EDA), imputación paramétrica y no paramétrica de nulos y outliers, variables dummy
Semana 02Regresión logística como modelo de referencia: interpretación de coeficientes, supuestos y métricas de evaluación (accuracy, precisión, recall)
Semana 02Árboles de decisión: entropía, ganancia de información e impureza de Gini. Profundidad, poda y mitigación del sobreajuste
Semana 03Validación cruzada: K-Fold estratificado. Detección y prevención de fuga de datos (data leakage)
Semana 03Proyecto Módulo I: pipeline completo con carga de datos, auditoría, EDA, modelo de referencia, validación cruzada y evaluación

MÓDULO II Aprendizaje No SupervisadoClustering, reducción de dimensionalidad y anomalías 9 sesiones

Semana 04Aprendizaje no supervisado: ventajas, desventajas y criterios de aplicación. Reducción de dimensión no lineal con t-SNE y UMAP
Semana 04Ingeniería de atributos: One-Hot Encoding, Feature Hashing, Bucketing, estandarización y normalización
Semana 04Clustering avanzado: K-Means con criterios formales de selección de K y DBSCAN basado en densidad espacial
Semana 05Evaluación de agrupamientos: índice de Silueta, Davies-Bouldin y Calinski-Harabasz para elegir el número óptimo de grupos
Semana 05Clustering de series de tiempo con K-Shape: patrones de tendencia sin etiquetas en datos económicos y financieros
Semana 06Detección de anomalías: algoritmos no supervisados para identificar registros inusuales y desviaciones extremas
Semana 06Modelos generativos y autoencoders: arquitectura básica, Denoising Autoencoder y Variational Autoencoder
Semana 07Segmentación aplicada: perfilamiento e interpretación de clusters en casos de negocio reales
Semana 07Proyecto Módulo II: pipeline no supervisado con PCA/UMAP, DBSCAN o K-Shape, evaluación de agrupamientos e interpretación de resultados

MÓDULO III Ensambles, Tuning Avanzado y XAIRandom Forest, XGBoost, LightGBM, Optimización Bayesiana y explicabilidad 9 sesiones

Semana 08Ensemble Machine Learning: fundamentos y evaluación de Random Forest. XGBoost sobre datos estructurados
Semana 08LightGBM vs. XGBoost: hiperparámetros y regularización
Semana 09Validación cruzada avanzada: K-Fold estratificado y LOOCV. Detección y prevención de fuga de datos
Semana 09Tuning de hiperparámetros: GridSearch, RandomSearch y Optimización Bayesiana aplicada a XGBoost y LightGBM
Semana 10IA Explicable (XAI) local: SHAP con Force Plots y Waterfall Plots para decisiones individuales. LIME y modelos sustitutos
Semana 10Métricas avanzadas: AUC-ROC, KS, F1 y calibración de probabilidades. Validación temporal out-of-time
Semana 10Business Analytics: curvas de ganancia y traducción de métricas del modelo en valor de negocio
Semana 11Sesgo y equidad en modelos predictivos: detección y mitigación con FairLearn e implicancias regulatorias en entornos financieros
Semana 11Proyecto Módulo III: benchmark de Regresión Logística, Random Forest, XGBoost y LightGBM con bloque completo de XAI (SHAP y LIME)

MÓDULO IV Deep Learning para Datos EstructuradosDe las redes MLP a TabNet, FT-Transformer y modelos fundacionales 7 sesiones

Semana 12Deep Learning clásico para datos estructurados: MLP y RealMLP
Semana 12Redes densas profundas (DMLP): perceptrón multicapa, backpropagation y funciones de activación
Semana 13Tuning de una red MLP: learning rate, batch size, Batch Normalization, Dropout y Early Stopping
Semana 13Deep Learning para datos estructurados: estado del arte
Semana 14TabNet y FT-Transformer: mecanismos de atención secuencial e implementación práctica de TabNet en Python
Semana 15Modelos fundacionales para datos tabulares: TabPFN y TabFM. Fundamentos, arquitectura y diferencias frente a TabNet
Semana 16Proyecto Módulo IV: benchmark de ensambles vs. Deep Learning sobre un dataset estructurado

MÓDULO V Proyecto AplicadoTrabajo grupal, sustentación y evaluación final 2 sesiones

Semana 17Trabajo grupal y exposición: sustentación del proyecto final integrador, un pipeline de extremo a extremo sobre un problema real del entorno profesional
Semana 17Examen final y evaluación del programa

Plana docente

Docente a cargo
del programa

CIENTÍFICO DE DATOS

Elver Zuñiga

Científico de Datos con más de 8 años de experiencia en gestión del riesgo de crédito, Machine Learning e Inteligencia Artificial para el sector financiero. Especialista en analítica avanzada y Model Risk Management (MRM).

Maestro en Ciencia de los Datos (URP)

MBA por CENTRUM PUCP

Especialización en Machine Learning e Inteligencia Artificial

Especialista en Model Risk Management (MRM)

Perfil de ingreso

¿A quién está dirigido?

Científicos de datos.
Desarrolladores.
Investigadores.
Profesionales de diversas áreas de formación interesados en Machine Learning avanzado.

Requisitos recomendados

Matemática y estadística universitaria Programación básica Python (recomendable)

CLASES SINCRÓNICAS

Sesiones en vivo por Zoom con consultas directas al docente

SESIONES GRABADAS

Grabaciones y materiales disponibles durante todo el programa

LABORATORIOS PRÁCTICOS

Trabajo colaborativo y un proyecto entregable en cada módulo

Información general

Detalles del programa

Inicio7 de noviembre de 2026

HorarioSábado y domingo — 9:00 AM a 12:00 PM

Modalidad100% Virtual · clases en vivo por Zoom

Estructura5 módulos · 17 semanas

INVERSIÓN · PÚBLICO EN GENERAL

S/ 2,500

Programa completo · 130 horas académicas

🎉 BENEFICIOS DE PREVENTA

Pago en 3 cuotas

10% de descuento por pago al contado

20% de descuento hasta el 5 de octubre

Reservar mi cupo

* El inicio está sujeto a un número mínimo de inscripciones.

Proceso de admisión

Inscripción & certificación

Cómo inscribirte

1 Completa el formulario de inscripción
2 Recibe tu documento de pago
3 Realiza el pago al contado o en 3 cuotas
4 Envía tu voucher de pago, DNI y foto digital con fondo blanco

Certificación

Se otorgará el certificado del Programa de Especialización en Machine Learning Avanzado, expedido por el Vicerrectorado de Investigación de la Universidad Ricardo Palma y el Instituto de Datos e Inteligencia Artificial.

Quienes cuenten con al menos el 75% de asistencia recibirán el certificado de participación; quienes obtengan una nota igual o mayor a 14 en la evaluación final recibirán el certificado de aprobación.

Asistencia mínima: 75% Nota aprobatoria: 14 / 20

Formación enMachine Learning avanzado