🧠
Machine Learning
Modelos supervisados/no supervisados, feature engineering.
📐 Intermedio→Avanzado⏱ Duración a petición del cliente
Formación práctica en machine learning aplicado: modelos supervisados y no supervisados, feature engineering y pipelines reproducibles con scikit-learn, XGBoost y LightGBM. Se presta especial atención a la interpretabilidad con SHAP y LIME y a la equidad de los modelos, cada vez más exigida en entornos regulados. Cada bloque combina la base conceptual con laboratorios sobre datos reales. Duración y temario a petición del cliente, en modalidad in-company u online en directo.
📌 Modelos predictivos
Regresión, clasificación, gradient boosting.
Scikit-learnXGBoostLightGBM
📌 Feature Engineering
Encoding, selección de features, pipelines.
Feature SelectionEncoding
📌 Interpretabilidad
SHAP, LIME e importancia de features.
SHAPLIMEFairness
Solicita el programa detallado de esta formación