Curso de Python + Machine Learning Online / Distancia en Escuela MUSK

Dirigido a:

REQUISITOS

No existen requisitos previos ya que el enfoque del curso está destinado a formar a los alumnos desde cero en las competencias profesionales en Machine Learning.

Comentarios:

El machine learning es la ciencia de desarrollo de algoritmos y modelos estadísticos que utilizan los sistemas de computación con el fin de llevar a cabo tareas sin instrucciones explícitas, en vez de basarse en patrones e inferencias.


OBJETIVOS DEL CURSO

Crear máquinas con las mismas capacidades racionales que el ser humano a partir de la imitación de los procesos cognitivos. Podemos decir que Leer más Machine Learning es, entonces, un subconjunto de la IA especializado en las técnicas de aprendizaje orientadas a la realización de tareas.


SALIDAS PROFESIONALES

Al final de este curso, los alumnos estarán preparados para dar el salto al mundo profesional, con varias especialidades y un currículum actualizado y reforzado. Por ello, el campo laboral de estos expertos es muy amplio, desde áreas de análisis de datos, desarrollo de software, marketing y publicidad, industria, investigación e innovación.


PRÁCTICAS EN EMPRESA

- IncluidasLeer menos

Introducción al Machine Learning

MÓDULO 1: INTRODUCCIÓN AL MACHINE LEARNING

Tema 1: Introducción al Big Data y Machine Learning
- Introducción al Machine Learning
- ¿Qué ha motivado este renacer del ML?
- Machine Learning vs IA vs Deep Learning
- Aplicaciones del Machine Learning

Tema 2: Librerías numéricas de Python y Scikit-learn Leer más
- Tratamiento de datos de datos con Pandas y Numpy
- Representación de datos con Matplotlib

Tema 3: Preprocesamiento de datos
- Pasos en el desarrollo de un proyecto de ML
- ¿Qué problemas podemos encontrar en nuestros datos?
- (Data Quality / Garbage in - Garbage out
- Preprocesamiento y limpieza de datos con Python (NAs, duplicados, normalización, outliers, clases desbalanceadas, One Hot Encoding)


MÓDULO 2: APRENDIZAJE SUPERVISADO

Tema 1: Introducción a los modelos de aprendizaje supervisado
- Texto: Aprendizaje supervisado vs aprendizaje no supervisado vs aprendizaje por refuerzo
- Texto: Clasificación vs regresión
- Modelos de aprendizaje supervisado

Tema 2: Modelos de Regresión
- Introducción a los modelos de Regresión
- Modelo de regresión líneal simple y múltiple
- Correlación
- Coeficiente de determinación
- Trade off sesgo y varianza

Tema 3: Modelos de clasificación
- Introducción a los modelos de clasificación
- Concepto de threshold
- Matriz de confusión
- Precisión vs especificidad vs sensibilidad
- Modelo de Regresión logística
- Modelo de árbol de decisión
- Métodos ensamblados
- Random forest
- Modelo de K – vecinos próximos
- ¿Cómo se calcula la distancia entre dos vecinos?
- Escoger el mejor valor de k


MÓDULO 4: APRENDIZAJE NO SUPERVISADO

Tema 1: Introducción al aprendizaje no supervisado
- Introducción al clustering
- Casos de uso
- K – Medias
- Método del codo
- Modelos avanzados de clustering (Mean shift, Agrupamiento jerárquico, DBSCAN)
- Aplicaciones de la reducción de la dimensionalidad
- PCA


MÓDULO 5: DESARROLLO DE SISTEMAS DE APRENDIZAJE AUTOMÁTICO

Tema 1: Machine Learning en la nube
- Introducción al Cloud Computing
- Principales proveedores (AWS, GCP, Azure) -
- Ventajas del Cloud
- Azure ML Designer
- AutoML

Tema 2: Machine Learning sin código
- Librería Pycaret
- Librería Lazypredict
- KnimeLeer menos