Curso de Python + Machine Learning

Curso
On-line

Descripción

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.

Temario

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
    • 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 lineal 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 3: 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 4: 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

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.

Objetivos

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

Prácticas

Prácticas en empresa incluidas.

Perspectivas laborales

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.
Campus y sedes: Escuela MUSK
Musk Technologies
Rua Copernico 3 15008 A Coruña