Certificación a nombre de la Universidad Nacional Agraria La Molina WhatsApp: 944864117 · Central: 6147800 · Lun a sáb, 9:00 a 16:00 · Validar certificado
Especialización IA

Machine Learning para Ciencias Ambientales y Herramientas de Inteligencia Artificial

Aplica Machine Learning e Inteligencia Artificial al análisis de datos ambientales para resolver problemas y optimizar la toma de decisiones.

  • Certificado UNALM
  • 184 horas certificadas
  • Online en vivo
Código MLCAIA · Certificado de aprobación
Inicio
16 ene 2027
Fin
30 may 2027
Horas certificadas
184 h
Modalidad
Online en vivo
  • Clases en vivoCon el docente, para preguntar y resolver casos
  • GrabacionesTodas las sesiones en el campus virtual
  • MaterialesGuías, ejercicios y recursos descargables
  • Certificado184 h certificadas, verificable en línea

Sobre el curso

La Especialización en Machine Learning para Ciencias Ambientales e Inteligencia Artificial ofrece una formación integral y práctica orientada a profesionales y estudiantes que buscan potenciar sus capacidades analíticas mediante tecnologías de última generación.

A lo largo del programa desarrollarás competencias en:

Inteligencia Artificial Generativa aplicada a investigación científica.
Ciencia de Datos con Python.
Machine Learning supervisado y no supervisado.
Minería y análisis de datos ecológicos.
Deep Learning y Visión por Computadora.
Despliegue de modelos predictivos en aplicaciones web.
El programa combina teoría, práctica y desarrollo de proyectos reales enfocados en problemáticas ambientales actuales.

El programa consta de 5 cursos.

¿A quién va dirigido?

  • Estudiantes y profesionales de Ciencias Ambientales.
  • Ingenieros Ambientales.
  • Biólogos.
  • Ingenieros Forestales.
  • Profesionales de Zootecnia.
  • Investigadores científicos.
  • Analistas de datos ambientales.
  • Profesionales interesados en Inteligencia Artificial aplicada al medio ambiente.

También es ideal para quienes desean actualizar sus competencias tecnológicas y mejorar sus oportunidades laborales en un mercado cada vez más orientado al análisis de datos y automatización inteligente.

Lo que lograrás

  • Analizar grandes volúmenes de datos ambientales utilizando Python.
  • Construir modelos predictivos para clasificación y regresión.
  • Aplicar técnicas de Machine Learning y Deep Learning en investigaciones científicas.
  • Automatizar procesos de análisis y generación de información.
  • Implementar soluciones basadas en Inteligencia Artificial para monitoreo y gestión ambiental.
  • Desarrollar aplicaciones web interactivas para desplegar modelos predictivos.
  • Participar en proyectos de innovación tecnológica, investigación y consultoría ambiental.

Beneficios

  • Clases en vivo y grabadas en el campus
  • Materiales descargables
  • Certificado verificable en línea

Temario

5 módulos · 50 temas · 184 horas certificadas

Descargar temario
Módulo 1INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL GENERATIVA
  • Descripción: La inteligencia artificial generativa tiene un gran desarrollo a nivel mundial. Se realiza una introducción a los Modelos de Lenguaje Largo, Ingeniería de Prompts y aplicaciones para investigación científica.
  • Plan de Estudio:
  • Clase 1: Introducción a la Inteligencia Artificial. Bases de las Redes Neuronales. Uso de la web TensorFlow.
  • Clase 2: Bases de los Modelos de Lenguaje Largo. Alucinaciones en la IA. Ingeniería de Prompts. Métodos R.O.C.E.F para elaborar Prompts efectivos.
  • Clase 3: Inteligencia Artificial Generativa de Texto: Chat GPT, QWENCHAT. Consideraciones básicas y generación de fuentes bibliográficas. Uso de Mendeley.
  • Clase 4: IA Generativa para Búsqueda de Información: ResearchRabbit. Relación entre artículos de investigación. Comparación de artículos científicos: aplicación web Elicit.
  • Clase 5: IA Generativa para Imágenes. Criterios y Aplicaciones: GPT, QWENCHAT, GEMINI. Generación de videos con Invideo
  • Clase 6: Google AI STUDIO. Generación de texto e imágenes. Google AI Studio como asesor de trabajo a través de Stream. Uso de Gamma para generación de ppt.
  • Clase 7. IA aplicada al análisis de textos y videos, esquemas, resúmenes y podcast desde PDF. Elaboración de videos con IA (QWENChat/Invideo) y Taller de Integración II.
  • Clase 8: Presentación de Proyectos Finales y Clausura del Módulo 1.
Módulo 2CIENCIA DE DATOS CON PYTHON
  • Descripción: Este curso aborda la ingeniería de datos fundamental para cualquier proyecto ambiental, enfocándose en la limpieza, manipulación y selección estratégica de variables utilizando el ecosistema de Python.
  • Plan de Estudio:
  • Clase 1: Entorno de Python para Ciencia de Datos. Instalación y configuración (Anaconda, VS Code, Google Colab). Estructuras de datos básicas.
  • Clase 2: Análisis Exploratorio de Datos (EDA) I: Análisis Cualitativos. Manejo de datos categóricos en encuestas y monitoreos ambientales.
  • Clase 3: Análisis Exploratorio de Datos (EDA) II: Análisis Cuantitativos. Estadística descriptiva con Pandas y Numpy.
  • Clase 4: Visualización de Datos I. Gráficos estáticos y principios de comunicación visual con Matplotlib.
  • Clase 5: Visualización de Datos II. Gráficos estadísticos avanzados con Seaborn para variables ambientales.
  • Clase 6: Preprocesamiento de Datos I: Detección y tratamiento de Outliers (Valores atípicos) en series temporales y espaciales.: Preprocesamiento de Datos II: Técnicas de Imputación de datos faltantes (Simple e iterativa). Pipeline de Ingeniería de Datos aplicado a un dataset real
  • Clase 7: Selección de Variables (Feature Selection) I: Importancia de variables con Random Forest y método Boruta. Selección de Variables II: Eliminación Recursiva de Características (RFE) y optimización del dataset.
  • Clase 8: Presentación de Proyectos
Módulo 3MACHINE LEARNING I
  • Descripción: Dominio de algoritmos supervisados y no supervisados. Se enfoca en agrupar datos ecológicos (Clustering) y generar modelos predictivos de clasificación y regresión robustos.
  • Plan de Estudio:
  • Clase 1: Aprendizaje No Supervisado I: Clustering No Jerárquico (K-Means), PAM, FUZZY. Aplicación en clasificación de especies o zonas.
  • Clase 2: Aprendizaje No Supervisado II: Clustering Jerárquico (Dendrogramas). Interpretación ecológica.
  • Clase 3: Reducción de la Dimensionalidad. Análisis de Componentes Principales (PCA) para datos multivariados.
  • Clase 4: Métodos de Ordenación Ecológica I: Escalamiento Multidimensional No Métrico (NMDS): Ideal para datos de conteo de especies no lineales. Análisis de Coordenadas Principales (PCoA). Evaluación de la calidad de la ordenación (Stress).
  • Clase 5: Métodos de Ordenación Ecológica II: Análisis de correspondencia y Correspondencia corregida. Análisis de la relación de especies y los sitios de muestreo. Análisis gráficos.
  • Clase 6: Introducción a la minería de texto. Minería de Texto (Text Mining) para Datos Ambientales. Limpieza de texto: Tokenización, eliminación de stopwords (palabras vacías) y stemming en informes técnicos o papers. Nube de Palabras y Frecuencias: Visualización rápida de términos clave en normativas o EIAs.
  • Clase 7: Introducción a la minería de texto II: Uso de API para procesar varios pdf usando modelos de GEMINI.
  • Clase 8: Presentación de proyectos en Ciencias Ambientales
Módulo 4MACHINE LEARNING II
  • Descripción: Dominio de algoritmos supervisados. Se enfoca en los métodos de clasificación y de regresión, aplica a datos en ciencias ambientales.
  • Plan de Estudio:
  • Clase 1: Métodos de Clasificación I. Bases de la clasificación en ML y Métricas de evaluación (Matriz de confusión, ROC, AUC). Regresión Logística.
  • Clase 2: Métodos de Clasificación II. Algoritmos basados en distancia e hiperplanos: K-Nearest Neighbors (KNN) y Máquinas de Vectores de Soporte (SVM).
  • Clase 3: Métodos de Clasificación III. Modelos basados en árboles: Decision Trees, Random Forest y Gradient Boosting.
  • Clase 4: Métodos de Regresión I. Fundamentos teóricos. Regresión Lineal Simple y Múltiple. Métricas de error (RMSE, MAE, MAPE).
  • Clase 5: Métodos de Regresión II. Regresión no lineal con K-Nearest Neighbors (KNN) y Support Vector Regression (SVR).
  • Clase 6: Métodos de Regresión III. Modelos de ensamble para regresión: Decision Trees, Random Forest y Gradient Boosting.
  • Clase 7: Comparación de algoritmos de clasificación y regresión.
  • Clase 8: Presentación de Proyectos de Machine Learning (Modelado Predictivo).
Módulo 5DEEP LEARNING Y DESPLIEGUE WEB
  • Descripción: Curso avanzado enfocado en redes neuronales artificiales, visión por computadora y la puesta en producción (deployment) de los modelos generados para que sean accesibles vía web.
  • Plan de Estudio:
  • Clase 1: Teoría de Inteligencia Artificial Moderna. Diferencias entre ML y DL. Arquitectura de un Perceptrón Multicapa.
  • Clase 2: Deep Learning para Clasificación. Construcción de redes densas con Keras/TensorFlow para datos tabulares.
  • Clase 3: Deep Learning para Regresión. Predicción de variables continuas ambientales usando redes neuronales profundas.
  • Clase 4: Introducción a la Visión por Computadora. Teoría de Redes Neuronales Convolucionales (CNN). Uso de Teachable Machine.
  • Clase 5: Modelado web de Teachable Machine con Python. Exportación de modelos de imágenes y consumo en script local.
  • Clase 6: Fundamentos de Despliegue Web (MLOps básico). Introducción a Streamlit y configuración de entorno en Visual Studio Code.
  • Clase 7: Despliegue web de modelos de Machine Learning I. Creación de app interactiva para modelos de Clasificación (Random Forest/SVM).
  • Clase 8: Presentación de Proyectos Finales Integrales (Modelo + Aplicativo Web).

Duración

160 horas online dictadas, 24 horas del proyecto final, siendo un total de 184 horas certificadas.

Metodología

Clases en vivo por Zoom, grabaciones en el campus Moodle, ejercicios en cada sesión y un proyecto final.

Requisitos de admisión

A efectos de participar en la Especialización los postulantes deberán cumplir con los siguientes requisitos:

Con estudios universitarios previos
Constancia de Egresado Universitario, Grado de Bachiller o Título Profesional o 7mo ciclo en adelante de Carrera Universitaria.

Con estudios técnicos
Título de Técnico Profesional (3 años)

Requisitos técnicos

  • PC o laptop con internet estable
  • Cámara y micrófono para las clases en vivo

¿En que campos podrás desempeñarte?

La aplicación de la Inteligencia Artificial y el Machine Learning está creciendo rápidamente en el sector ambiental y abre nuevas oportunidades profesionales en:

  • Gestión y monitoreo ambiental
  • Análisis de datos ambientales y climáticos
  • Investigación científica y proyectos de innovación
  • Consultoría ambiental con enfoque tecnológico
  • Modelamiento predictivo y evaluación de riesgos
  • Sistemas de información geográfica (SIG) e inteligencia territorial
  • Automatización de procesos y análisis de grandes volúmenes de datos
  • Proyectos de sostenibilidad y cambio climático
  • Instituciones públicas, privadas y ONGs ambientales
  • Desarrollo de soluciones con IA para el sector ambiental

Prepárate para integrar tecnología, datos e inteligencia artificial en la toma de decisiones ambientales.

Certificación

Certificado de aprobación emitido por la Universidad Nacional Agraria La Molina.

  • 184 horas certificadas
  • Código QR y validación en línea
  • Resolución y N° de registro únicos

Certificado de aprobación con nota mínima de 14 y 80 % de asistencia, con código de seguridad verificable en línea.

Validar un certificado →
Modelo del certificadoToca un número para ver cada elemento de seguridad
Modelo del certificado ampliado
  1. Código QREscanéalo con la cámara del celular: abre la validación en línea con los datos reales del certificado.
  2. Resolución y N° de registroCada certificado tiene una resolución y un número de registro únicos, que se consultan en la validación.
  3. Escudo y nombre de la UNALMEl certificado lo emite la Universidad Nacional Agraria La Molina.
  4. Sello del CECAPSello del Centro de Capacitación de la Facultad de Ciencias - UNALM.
  5. Datos del cursoNombre del curso, fechas, horas y nota final. Deben coincidir con lo que muestra la validación.
  6. Firmas y sellosFirmas del Decano de la Facultad de Ciencias y del Director del CECAP-FC.
  7. Enlace de verificaciónCualquier empleador puede comprobar el certificado en la página oficial de validación.

Modelo referencial. Verifica cualquier certificado en cecap-fc.com.pe/validar-certificado

Docente

Mg. Orlando Advíncula Zeballos

Consultor Estratégico Especializado en Análisis de Datos Ambientales

Biólogo titulado, colegiado y habilitado, Magíster. Profesional con experiencia en Consultorías en temas de medio ambiente. Amplia experiencia en docencia universitaria y capacitaciones en temas de Investigación Científica y Estadística Aplicada a las Ciencias Ambientales. A la presente asesora a estudiantes de Pre y Posgrado en las áreas de análisis de datos ambientales. Con un diplomado Internacional en Bioestadística (CATIE-IBP). Participación activa en eventos científicos nacionales e internacionales en Estadística, Machine Learning y Deep Learning. Docente en cursos de Machine Learning con R y Python en la Escuela Nacional de Estadística e Informática – ENEI, en Lima-Perú. Experiencia en la elaboración de Chatbots especializados y despliegues web con Machine Learning e Inteligencia Artificial. Miembro de la Sociedad Ecuatoriana de Estadística de Ecuador.

Ver perfil en LinkedIn

Preguntas frecuentes

¿El certificado es emitido por la UNALM?
Sí. Al aprobar recibes el certificado de la Universidad Nacional Agraria La Molina con código de verificación en línea.
¿Qué pasa si no puedo asistir a una clase en vivo?
Todas las sesiones quedan grabadas en el campus virtual para que las repases cuando quieras.
¿Cómo accedo al campus?
Al confirmarse tu matrícula recibirás por correo tu usuario y el enlace al campus Moodle.
¿Estan licenciados por la SUNEDU?
Todos nuestros cursos y especializaciones estan certificados por la Facultad de Ciencias de la Universidad Nacional Agraria la Molina - UNALM que cuenta con licenciamiento de la SUNEDU.

Mas información:
https://www.sunedu.gob.pe/universidad-agraria-se-convierte-en-primera-publica-en-recibir-licenciamiento/
¿Si me inscribo en modalidad online en vivo tengo acceso a las clases luego de verlas en ZOOM?
Sí. Tienes acceso al campus virtual 24/7 para profundizar los temas y descargar material de estudio complementario.

Las clases online son grabadas (no son descargables) y estan disponibles hasta 3 meses despues de finalizar el curso.
S/ 2,860 S/ 2,000
o 5 cuotas de S/ 500 Inscripciones hasta el 13 de enero a las 23:00
Matricúlate