Curso de Phyton + Machine Learning
Consulta precio y condiciones sin compromiso
Programa
LasOposiciones.net ha seleccionado de entre 735 Cursos Programador Informático ,este Curso para ti. El Curso de Phyton + Machine Learning se imparte en modalidad Online.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.
PRÁCTICAS EN EMPRESA
Incluidas
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.Temario
Introducción al Machine LearningMÓDULO 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
- 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
- Knime