¡90% de ahorro!
¡90% de ahorro!
Udemy

Curso completo de Machine Learning: Data Science en Python

Udemy
Online
  • Udemy
Precio Emagister

200 € 20 
CURSO PREMIUM
¿Quieres hablar con un asesor sobre este curso?
¿Quieres hablar con un asesor sobre este curso?

Información importante

Tipología Curso
Metodología Online
Inicio Fechas a elegir
Envío de materiales de aprendizaje
Servicio de consultas
Tutor personal
Clases virtuales
  • Curso
  • Online
  • Inicio:
    Fechas a elegir
  • Envío de materiales de aprendizaje
  • Servicio de consultas
  • Tutor personal
  • Clases virtuales
Descripción

¿Te suenan las palabras Machine Learning o Data Scientist? ¿Te pica la curiosidad de para qué sirven estas técnicas o por qué empresas de todo el mundo pagan un sueldo de 120.000 hasta 200.000$ al año a un científico de datos? 

Pues este curso está pensado y diseñado por todo un profesional del mundo del Data Science como es Juan Gabriel Gomila, de modo que os va a compartir todo su conocimiento y ayudaros a entender la teoría tan compleja sobre las matemáticas que tiene detrás, los algoritmos y librerías de programación con Python para convertiros en todo unos expertos a pesar de que no tengáis experiencia previa. 

Veremos paso a paso como empezar a trabajar con conceptos y algoritmos del mundo del Machine Learning. Con cada nueva clase y sección que completes tendrás unas nuevas habilidades que te ayudarán a entender este mundo tan completo y lucrativo que puede ser esta rama del Data Science.

También decirte que este curso es muy divertido, en la línea de Juan Gabriel Gomila y que aprenderás y te divertirás mientras vas aprendiendo acerca de técnicas de Machine Learning con Python. En particular, los temas que trabajaremos serán los siguientes:

Parte 1 - Instalación de Python y paquetes necesarios para data science, machine learning y visualización de los datos
Parte 2 - Evolución histórica del análisis predictivo y el machine learning
Parte 3 - Pre procesado y limpieza de los datos 
Parte 4 - Manejo de datos y data wrangling, operaciones con datasets y distribuciones de probabilidad más famosas
Parte 5 - Repaso de estadística básica, intervalos de confianza, contrastes de hipótesis, correlación,

Parte 6 - Regression lineal simple, regresión lineal múltiple y regresión polinomial, variables categóricas y tratamiento de outliers.
Parte 7 - Clasificación con regresión logística, estimación con máxima verosimititud, validación cruzada, K-fold cross validation, curvas ROC  fecha con su propio trabajo y...

Información importante

Precio a usuarios Emagister:

Instalaciones (1) y fechas
Dónde se imparte y en qué fechas

Ubicación

Inicio

Online

Inicio

Fechas a elegirMatrícula abierta

A tener en cuenta

· ¿Cuáles son los objetivos de este curso?

Ser todo un master Jedi del Machine Learning con Python Llevar a cabo predicciones precisas Elaborar modelos robustos de Machine Learning Utilizar las técnicas de Machine Learning para uso personal y para asesorar empresas Tener una buena intuición de la mayoría de modelos de Machine Learning Hacer análisis muy potentes y precisos Dar valor añadido a tu propia empresa o negocio Conocer qué modelo de Machine Learning se ajusta mejor a cada tipo de problema Construir modelos diversos de Machine Learning y combinarlos para resolver cualquier problema que uno se plantee Utilizar técnicas avanzadas para reducir la dimensión del problema

· ¿A quién va dirigido?

Cualquiera interesado en aprender Machine Learning Estudiantes que tienen un conocimiento de matemáticas que quieran aprender acerca del Machine Learning con Python Usuarios intermedios que conocen los fundamentos de Machine learning como los algoritmos clásicos de regresión lineal o logística pero buscan aprender más y explorar otros campos del aprendizaje estadístico Programadores que les guste el código y que estén interesados en aprender Machine Learning para aplicar dichas técnicas a sus datasets Estudiantes de universidad que busquen especializarse y aprender a ser Data Scientists Analistas de datos que quieran ir más allá gracias al Machine Learning Cualquier persona que no esté satisfecha con su propio trabajo y busque empezar a trabajar como un Data Scientist profesional Cualquier persona que quiera dar valor añadido a su propia empresa utilizando las potentes herramientas de Machine Learning

· Requisitos

Se necesitan conocimientos de matemáticas de bachillerato o conocimientos básicos de estadística Se recomienda saber programar un poco para enfocarse en aprender las técnicas de análisis en Python aunque no es totalmente necesario

Preguntas & Respuestas

Plantea tus dudas y otros usuarios podrán responderte

Sólo publicaremos tu nombre y pregunta

Logros de este Centro

2016

¿Cómo se consigue el sello CUM LAUDE?

Todos los cursos están actualizados

La valoración media es superior a 3,7

Más de 50 opiniones en los últimos 12 meses

Este centro lleva 4 años en Emagister.

¿Qué aprendes en este curso?

DataSet
instalación
Configuracion
windows
Machine learning
Programación
datos
Manejo de información
Data science
Analisis

Profesores

Juan Gabriel Gomila Salas
Juan Gabriel Gomila Salas
Profesor

Temario

Contenido del curso
Introducción
Pre requisitos del curso
Conoce a tu instructor online, Juan Gabriel Gomila
Acerca de la valoración prematura del curso en Udemy
Cómo instalar Python con Anaconda Navigator
Cómo instalar paquetes en Python gracias a pip
Instalación de pip en Windows
Las librerías estándar de Machine Learning en Python
Los editores para programar en Python
Las 5 etapas del análisis de datos
Comunidad de estudiantes del curso
Ser Data Scientist es la profesión más sexy del siglo XXI
¿Qué es el análisis predictivo de datos?
Data Scientist = Matemáticas + Programación + Business
Aplicaciones y ejemplos del mundo del Data Science
Data Cleaning
El concepto de data frame
El repositorio Git del curso
¿Qué hago si no me autocompleta Jupyter?
Acerca de las barras en Windows
Leer datos procedentes de un CSV
Los parámetros de la función read_csv
Ejemplos de diferentes carga de datos con read_csv
El método open para la carga manual de datos
Cuidado con el método open
Leer y escribir en un fichero con Python
Leer los datos desde una URL externa
La carga de datos desde una hoja de cálculo
Ejercicio: descargar y procesar datos desde una URL externa
Las funciones básicas de resumen, estructura, dimensiones y cabecera
¿Por qué faltan valores en los data sets?
Qué hacer cuando faltan valores en el dataset
Las variables dummy
Visualización básica de un dataset: el scatterplot
Visualización básica de un dataset: el histograma de frecuencias
Visualización básica de un dataset: el boxplot
Data Wrangling
Una chuleta de pandas para Data Wrangling
Fe de erratas
Buscar un subconjunto de datos de un dataset
Filtrados alternativos
Subconjuntos de filas con ciertas condiciones
Subconjuntos con loc e iloc y creación de nuevas columnas
Generar números aleatorios
La semilla de la generación aleatoria
Funciones de distribución de probabilidades
La distribución uniforme
La distribución Normal
El método de la simulación de Monte-Carlo para encontrar el valor de Pi
Generando dummy data frames
Un dummy data frame con variables categóricas
Agrupación de los datos por categorías
Agregación de datos
Filtrado, Transformación y otras operaciones útiles
Conjunto de entrenamiento y de testing
Atualización: cómo dividir conjunto de entrenamiento y test
Muestreo aleatorio: cómo dividir un dataset en conjunto de entreno y validación
Concatenar dos datasets por filas
Carga de cientos de datos distribuidos
Ejercicio: el data set de los juegos olímpicos
Concatenar los datos con merge
Formas de cruzar tablas con joins
Eliminar datos de datasets con restricciones de conjunto
Ejemplos de joins con Python
Ya conoces las bases del manejo de datos
¿Te gusta el curso? ¡Valóralo y cuéntanos tu opinión!
Los conceptos fundamentales de estadística
Un resumen de los estadísticos básicos (en R)
Muestreo aleatorio y el teorema central del límite
Los contrastes de hipótesis
Cómo hacer un contraste de hipótesis paso a paso
Test de la chi cuadrado
Correlación entre variables
Un resumen de lo aprendido
La regresión lineal
Las matemáticas tras una regresión lineal
Demostración de la obtención de los parámetros del modelo lineal
Errores normalmente distribuidos
Sumas de los cuadrados totales, de las diferencias y de la regresión
Ejercicio demostrar que SST = SSR + SSD
Encontrando los coeficientes óptimos de la regresión
Interpretar los parámetros de la regresión
Implementar una regresión lineal con Python
Regresión lineal múltiple
El problema de la multicolinealidad
Validando nuestro modelo
El resumen de todos los modelos lineales creados
Regresión lineal con scikit-learn
Modelos lineales con variables categóricas
Variables categóricas en una regresión lineal
Otra forma más simple de calcular las predicciones
Enmascarado de variables categóricas redundantes
Transformar las variables en relaciones no lineales
El problema de los outliers
Otros problemas y consideraciones de la regresión lineal
Un resumen de la regresión lineal
La regresión logística
Regresión lineal vs regresión logística
Las matemáticas detrás de la regresión logística
Probabilidades condicionadas
Cociente de probabilidades
De la regresión lineal a la logística
Estimación con el método de máxima verosimilitud
Crear un modelo logístico desde cero
Análisis exploratorio de los datos
La selección de variables del dataset para el modelo logístico
Implementar una regresión logística con Python
Validación del modelo y evaluación del mismo
La validación cruzada
Validación cruzada con Python
Las matrices de confusión y las curvas ROC
Implementación de las curvas ROC en Python
Resumen de la regresión logística
Clustering
¿Qué es y para qué sirve el clustering?
El concepto de distancia
Matriz de distancias en Python
Métodos de enlace
Uniendo datos manualmente
Clustering jerárquico en Python
Un clustering completo: la fase de exploración de datos
Un clustering completo: representación del dendrograma
Un clustering completo: por donde cortamos el dendrograma
Un clustering completo: visualización final del clustering
El método de k-means
Implementando k-means con Python
Ejercicio: Segmentación de los vinos
El método del codo
El coeficiente de la silueta
Implementando la técnica del codo y el coeficiente de la silueta
Propagación de la afinidad
Implementando la propagación de la afinidad
Generando distribuciones en forma de anillo
Los K medoides y el clustering espectral
Resumen del clustering
Árboles y bosques aleatorios
¿Qué es un árbol de decisión?
Homogeneidad en los datos
Entropía y ganancia de Información
Algoritmos para la generación de árboles de clasificación
La poda del árbol
Los problemas del árbol
Los árboles de clasificación con Python
El tratamiento de ficheros dot
La validación cruzada en un árbol de clasificación
Los árboles de regresión
El dataset de las casas de Boston y Kaggle
Árboles de regresión con Python
Random forests
Random forests para regresión
Random forest para clasificación
¿Por qué funcionan los random forests?

Información adicional

¿QUé INCLUYE EL PRECIO DEL CURSO? COMUNICACIóN DIRECTA CON EL PROFESOR, EXTENSIONES Y ACTUALIZACIONES INCLUIDAS, REEMBOLSO DENTRO DE LOS 30 DíAS, POSIBILIDAD DE ACCEDER AL CONTENIDO DEL CURSO INCLUSO DESPUéS DE ACABARLO