Al seleccionar un país verás los cursos disponibles en tu región.
⏱ 2 h 48 min📚 28 lecciones
Support Vector Machines para la detección de anomalías en Python
Aprenda a detectar valores atípicos, fraudes e intrusiones en sistemas utilizando One-Class SVMs y técnicas modernas de machine learning no supervisado.
💬Instructor de IA Pregunta sobre cualquier lección y recibe una respuesta clara al instante, cuando quieras.
🕐Empieza cuando quieras Sin horarios ni fechas límite: aprende a tu ritmo, cuando quieras.
🌐En español Lecciones, tareas y certificado: todo completamente en tu idioma.
Sobre este curso
¿Cómo identifica amenazas de seguridad críticas, fallos del sistema o transacciones fraudulentas cuando no dispone de ejemplos etiquetados de comportamiento malicioso? Las Support Vector Machines (SVMs) proporcionan un enfoque potente y matemáticamente riguroso para aislar patrones de datos normales y señalar actividades inusuales. Este curso basado en texto le guía desde los conceptos básicos de la detección de anomalías hasta la implementación de modelos robustos de One-Class SVM. Aprenderá a preparar sus datos, configurar los límites de decisión de las SVM y evaluar el rendimiento del modelo en conjuntos de datos altamente desequilibrados. Al finalizar este curso, podrá construir e implementar con confianza modelos de detección de anomalías para asegurar sistemas y limpiar pipelines de datos. Lo que aprenderá: - Comprender los conceptos fundamentales del aprendizaje no supervisado, los valores atípicos y la detección de anomalías. - Dominar la intuición matemática detrás de las One-Class SVMs y cómo difieren de la clasificación estándar. - Configurar hiperparámetros clave, incluyendo funciones de kernel, gamma y la tasa de contaminación. - Preparar y preprocesar conjuntos de datos del mundo real utilizando pipelines modernos de scikit-learn. - Evaluar el rendimiento de la detección de anomalías utilizando precisión, recall y F1-score para datos desequilibrados. - Aplicar la detección de anomalías con SVM a casos de uso prácticos como la detección de fraudes y la intrusión en redes. Comenzará con definiciones fundamentales y la teoría de los límites de decisión antes de sumergirse en tutoriales escritos paso a paso e implementación de código. Esta progresión estructurada asegura que comprenda tanto el porqué como el cómo del machine learning no supervisado. Este curso está diseñado para analistas de datos principiantes, aspirantes a ingenieros de machine learning y profesionales de la ciberseguridad que buscan añadir la detección de anomalías a su conjunto de herramientas. No se requiere experiencia previa con SVMs, aunque es útil una familiaridad básica con Python. Empiece a leer hoy mismo para dominar los fundamentos de la detección de anomalías con Support Vector Machines.
Contenido del curso
Lo que obtendrás
📜Certificado de finalización Añádelo a tu perfil de LinkedIn
💬Tutor AI personal ¿Atascado en una lección? Pregúntale a tu tutor integrado lo que quieras, cuando quieras.
♾️Acceso de por vida Vuelve cuando quieras, sin caducidad
📱Teléfono o computadora Funciona en cualquier dispositivo
💸Reembolso de 14 días Sin preguntas
⚡Breve y enfocado 2 h 48 min de contenido práctico
Certificado de finalización
Cada curso que completas en PickAClass emite una credencial como esta — original, con su propio código, verificable por URL y detallada sobre lo que realmente demostraste.
P
PickAClass
Perfil de habilidades · verificable
Documento
Certificado de Maestría
Esto certifica que
Nombre Apellido
ha demostrado con éxito el dominio de
Support Vector Machines para la detección de anomalías en Python
Habilidades demostradas
✓
Análisis de patrones de comportamiento
Fundamental
1.2 h
✓
Marcos de arquitectura de decisiones
Competente
1.4 h
✓
Diseño de pruebas A/B
Competente
1.7 h
✓
Redacción conductual
Avanzado
1.9 h
P
PickAClass — Nombre Apellido
Support Vector Machines para la detección de anomalías en Python
Página 2 de 2
Detalle de desempeño
Resumen del curso
Lecciones completadas14 / 14
Preguntas de práctica26 / 28
Tareas entregadas4 (prom. 4.5 / 5)
Proyecto finalRevisado — 4.6 / 5
Práctica total6.2 h
Referencia de desempeño
Posición en la cohorteTop 12% de 1,625
Tiempo hasta completar11 días (mediana: 22)
Puntuación de dominio91 / 100
Puntuación de preguntas de práctica94%
Verificación de habilidadRuta de habilidad verificada