课程详情

Machine Learning con Python. Aprendizaje Automático AvanzadoAprendizaje Automático Scikit-Learn en Python. Modelos Predictivos. Data Science. De básico a Experto.Instructores: PhD. Manuel Castillo y Arquitecto Álvaro García. Requisitos: Se recomienda tener conocimientos de programación, preferiblemte Python. Descripción del Curso:El curso de "Machine Learning con Python" se centra en un subcampo específico de aprendizaje automático llamado modelado predictivo y clustering. Este es el campo del aprendizaje automático que es el más útil en la industria y el cual se utilizar la librería de aprendizaje automático scikit-learn en Python por su gran rendimiento y facilidad en su uso.A diferencia de las estadísticas, donde los modelos se usan para comprender los datos, el modelado predictivo se enfoca en el desarrollo de modelos que hacen las predicciones más precisas a expensas de explicar por qué se hacen las predicciones.A diferencia del campo más amplio del aprendizaje automático que podría utilizarse con datos en cualquier formato, el modelado predictivo y clustering se centra principalmente en datos tabulares, llamados técnicamente Tidy Data (por ejemplo, tablas de números como en una hoja de cálculo).El curso está dirigido a personas que tengan pocos conocimientos de machine learning, conocimientos intermedios del lenguaje de programación y que quieran adentrarse a este apasionante mundo de dentro del campo de modelado predictivo y clustering.Además, el curso está diseñado para que cualquier estudiante universitario, investigador o tecnólogo que se encuentre realizando o necesite realizar diferentes experimentos a través de grandes conjuntos de datos para poder sintetizarlos en alguna salida predictiva puedan utilizar los muy diferentes recursos de machine learning que nos pone a nuestra disposición el lenguaje de programación.Contenidos del Curso:MÓDULO I. Introducción.Conceptos básicos de machine learning.Jupyter Notebook como nuestro entorno de machine learning.Curso rápido de Python.MÓDULO II. Análisis de datosCargar un conjunto de datos.Estadística descriptiva.Visualización de datos.Taller: Trabajo de aplicación de diferentes técnicas analíticas de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.Examen tipo test sobre los contenidos del módulo.MODULO III. Preprocesamiento de datosAnálisis exploratorio de datos.Preprocesamiento de datos.Métodos de remuestreo para estimar la precisión del modelo.Taller: Trabajo de aplicación de diferentes técnicas de análisis y procesamiento de datos de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.Examen tipo test sobre los contenidos del módulo.MÓDULO IV. Fase de tratamiento de datosEvaluación de las métricas.Feature Selection.Feature Importance.Reducción de dimensiones en un dataset.Taller: Aplicación de diferentes técnicas de tratamiento de datos en un conjunto de datos y verificación de su impacto en las métricas algorítmicas.Examen tipo test sobre los contenidos del módulo.MÓDULO V. Fase de modeladoAlgoritmos de Machine Learning.Rendimiento de los algoritmos.Algoritmos EnsambladosAlgoritmo "Super Lerner"Taller: Aplicación de diferentes algoritmos de machine learning en un conjunto de datos e interpretar la salida obtenida, así mismo, verificar el algoritmo que tenga mejor comportamiento.Examen tipo test sobre los contenidos del módulo.MÓDULO VI. Fase de optimización y forecastingPipelines.Procesamiento de datos avanzado.Configuración de hiperparámetros.Guardado e integración del modelo.Taller: Una vez seleccionados los algoritmos candidatos a modelo realizar una optimización de estos a través de la configuración de sus hiperparámetros.Examen tipo test sobre los contenidos del módulo.MÓDULO VII. Proyectos de machine learningTrabajar un proyecto de clasificación multiclaseTrabajar un proyecto de regresión.Trabajar un proyecto de clasificación binaria.Proyecto: Realizar un proyecto completo analizando todas las fases estudiadas en los diferentes módulos.MÓDULO VIII. Aprendizaje No SupervisadoAprendizaje No supervisado.Algoritmos de Aprendizaje No Supervisado.Determinar el número óptimo de clústers.Proyecto de Aprendizaje No Supervisado.Características del Curso:Recuerda que esta formación incluye lecciones en vídeo fullHD con audio de estudio (compatible con TV, PC, Mac, tablet y smartphone), artículos didácticos, actividades, proyectos paso a paso, recursos descargables, links de interés, acceso de por vida, certificado de finalización, tutorización online, y una exclusiva comunidad de aprendizaje privada que nos ayudamos aportando nuestras experiencias en el foro de comunicación del curso. Con esta formación disfrutarás aprendiendo desde dónde quieras, sin tener que desplazarte, sin horarios, con quién quieras, según tus necesidades y disponibilidad. Aprenderás con un instructor avalado por miles da alumnos satisfechos en todo el mundo (comentarios certificados). Conocerás las técnicas, métodos, trucos y flujos de trabajo de este sector creativo. El docente te transmitirá su sabiduría y conocimientos con pasión a la vez que las explicaciones concisas, claras, sencillas y con un enfoque profesional en cada clase. Podrás conseguir un certificado homologado personalizado y firmado por tu instructor en cada formación. De está forma podrás compartir tu título en tu portafolio, currículo, en redes sociales.Con la alta definición de los vídeos (vídeo fullHD y audio de estudio) conseguirá no te perder detalle. Podrás ver las clases las veces que requieras para recordar y perfeccionar tus habilidades como diseñador. Tendrás la posibilidad de preguntar, pedir opinión y ayuda al instructor, además de compartir tu experiencia de aprendizaje con los demás alumnos del curso, tan apasionados como tú, repartidos por todo el mundo. Seleccionamos cuidadosamente los contenidos y producimos cada curso para garantizar una experiencia de aprendizaje online integral y de la máxima calidad. ¿A qué esperas?, este curso es ideal para ti, atrévete a convertirte en un experto. Adelante, nos vemos dentro de la formación ;)

课程标签

0人关注该课程

主题相关的课程