Especialista BD Analitycs. Machine Learning. - Online
-
Me ha fascinado realizar éste curso, en lo personal los materiales que me brindaron fueron de calidad, estoy muy contento con el profesor y el personal administrativo, siempre estuvieron atentos a mi progreso y me encantó la posibilidad de trabajar desde mi ordenador. 100% recomendable.
← | →
-
No tengo ninguna queja respecto a éste curso, desde el principio hasta el final han sido conmigo muy atentos y amables. El jefe de estudios siempre estuvo disponible y pendiente de mi aprendizaje y para resolver cualquier duda. Mis profesores impecables, dominan a la perfección los temas, me encantó la metodología que utilizan, son cercanos y dispuestos a ayudar.
← | →
Curso
Online
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiar tu matrícula en cómodos plazos.
Descripción
-
Tipología
Curso
-
Metodología
Online
-
Horas lectivas
200h
-
Duración
5 Meses
-
Inicio
Fechas a elegir
Con este curso práctico estarás preparado para ejercer una profesión como científico de datos, profesional con conocimientos empresariales, estadísticos y de programación, aportando soluciones diferentes a las que trabaja a través de los lenguajes de programación. También podrás evolucionar a programador de Python con unos fundamentos sólidos de estadística y de algoritmos predictivos.
Instalaciones y fechas
Ubicación
Inicio
Inicio
A tener en cuenta
El aprendizaje automático o Machine Learning tiene por objetivo desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos y reconocer patrones a partir de una información suministrada en forma de ejemplo (entrenamiento).
Conocimientos básicos de informática e internet
Salidas laborales
Los datos de la empleabilidad de Machine Learning son muy favorables. Ya en 2015 el pronóstico para ese año de la consultora Gartner era que se crearían 4.4 millones de empleos entorno al Big Data.
En 2020, un estudio realizado por Universia informa de que la profesión de experto en minería de datos y Big Data, es la tercera profesión con más empleabilidad, con un porcentaje de 89%. Es por eso, que la formación en Big data y IA es una de las mejores opciones para aquello profesionales que desean ampliar sus conocimientos y su perfil en busca del trabajo de sus sueños.
Las principales facultades de estadística NO dan en sus estudios de grado una formación exhaustiva de machine learning necesaria para optar a puestos de trabajo como data-scientist.
Nuestra oferta es un compromiso de preparación con los conocimientos necesarios para optar a puestos de trabajo en sólo 3-5 meses a través de una formación intensiva por un coste mucho menor que el de una universidad privada y en menos tiempo que los máster oficiales de las universidades públicas.
Opiniones
-
Me ha fascinado realizar éste curso, en lo personal los materiales que me brindaron fueron de calidad, estoy muy contento con el profesor y el personal administrativo, siempre estuvieron atentos a mi progreso y me encantó la posibilidad de trabajar desde mi ordenador. 100% recomendable.
← | →
-
No tengo ninguna queja respecto a éste curso, desde el principio hasta el final han sido conmigo muy atentos y amables. El jefe de estudios siempre estuvo disponible y pendiente de mi aprendizaje y para resolver cualquier duda. Mis profesores impecables, dominan a la perfección los temas, me encantó la metodología que utilizan, son cercanos y dispuestos a ayudar.
← | →
Valoración del curso
Lo recomiendan
Valoración del Centro
Angel Gueto Cantero
Reawchell Ros
Logros de este Centro
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 11 años en Emagister.
Materias
- Uso de bucles
- Reglas de diseño del código
- Análisis de datos
- Creación de tablas relacionales
- Operaciones de consulta
- Algoritmos
- Instalación de MongoDB
- Análisis factorial
- Análisis de correspondencias
- Computación
Temario
Formación Técnica
Entorno de Python y herramientas.Instalación y configuración de Python.
- Instalación de Python con el entorno Anaconda y PyCharm Community.
- Explicación de los “Enviroments” de Python para personalizar instalaciones.
- Concepto de módulos e instalación de nuevos módulos usando la consola de comandos.
- Primeros conceptos de programación con Python usando consolas: Qt Console y Powershell Prompt.
Herramientas de desarrollo.
- Uso de los entornos de desarrollo Spyder y PyCharm para crear programas de Python.
- Fundamentos de programación: uso de variables y funciones.
Programación estructurada con Python.
- Reglas de diseño del código.
- Uso de bucles.
- Uso de if-elif-else.
Estructuras de datos en Python.
- Uso de tuplas, listas y diccionarios.
- Sintaxis de manipulación de colecciones de datos.
Uso de Jupyter Notebook y JupyterLab.
- Creación de documentos con Jupyter Notebook.
- Introducción a la generación de gráficos usando Pandas y Numpy.
Uso de RStudio.
- Introducción a la computación estadística y generación de gráficos con la herramienta RStudio.
Uso de Glueviz.
- Introducción a la visualización de datos multidimensionales.
- Exploración de relaciones entre conjuntos de datos.
Uso de Orange.
- Introducción a la minería de datos con la herramienta Orange.
- Visualización y análisis de datos.
Bases de datos y automatización.
Uso de bases de datos relacionales.
- Introducción al uso de base de datos relacionales con SQLite3.
- Creación de tablas relacionales.
- Operaciones DML: insert, update y delete.
- Operaciones de consulta.
Uso de bases de datos no relacionales.
- Instalación de MongoDB.
- Creación y operaciones con documentos.
Uso de bases de datos no relacionales.
- Instalación y configuración de Git.
- Ejemplos de control de versiones al crear aplicaciones con PyCharm.
Formación Específica
Estadística- Estadística descriptiva multivariante y funciones de densidad y distribución. Correlación estadística y estudio de las funciones más conocidas.
- Estadística inferencial y estadística bayesiana. Test de hipótesis, teorema de Bayes y diferencia entre el pensamiento frecuentista y bayesiano.
Conceptos de sobreajueste, predicción, clustering, aprendizaje por refuerzo, modelos de supervivencia.
Importación y limpieza de datosProgramación en Python, R y otros lenguajes para la preparación de los datos para los algoritmos.
Primeros algoritmos y series temporales univarianteANOVA, ANCOVA, ARIMA, etc. Orientado a la creación de conocimiento partiendo de muestras y calidad en la predicción de series temporales.Técnicas de reducción de variablesComponentes principales, análisis factorial, análisis de correspondencias, etc.
ClusteringBúsqueda e interpretación de segmentos: Kmeans, Jerarquizado y DBScan.
Reglas de asociaciónAnálisis de la cesta de la compra en formato tickets y tabular.
Fundamentos de aprendizaje supervisado y preprocesamientoSubconjuntos de entrenamiento, validación y test. Métodos de comparación de resultados: ROC, Lift, Matriz de confusión, etc.
Técnicas de exploración de datosPower-BI. Exploración interactiva. Comunicación de conclusiones y mensajes mediante gráficos.
Árboles de decisiónAlgoritmos de división horizontal. Árboles normales y condicionales.
Naive Bayes y KNNAlgoritmos sencillos. Búsqueda de probabilidades y búsqueda de vecinos más próximos.
Máquinas de soporte vectorialGeneralización del concepto de divisiones. Kernel. Uso de búsquedas mediante grid para optimizar resultados.
Algoritmos ensamblados: Bagging, Boosting y Ramdom Forest- Concepto de ensamblado.
- Ensamblado libre y bagging.
- Random Forest. Primeros usos avanzados de los árboles de decisión para determinar la importancia de las variables.
- Adaboosting. Ensamblaje boosting.
- Xgboosting. Ensamblaje boosting. Algoritmo ganador de los principales concursos.
- Regresión no logística. Concepto de relación funcional entre objetivos y predictores. Influencia de observaciones, interpretación de coeficientes y métodos forward, backward y stepwise.
- Regresión logística. Modelo lineal general. Aplicación a las decisiones de la regresión.
- Fundamentos de redes neuronales de una sola capa. Generalización de la regresión logística. Primeros conceptos de redes. Conceptos de Black-box.
- Fundamentos de Deep Learning. Conceptos de optimización, regularización, perceptrón en varias capas. Tensorflow y Keras.
- Deep Learning aplicado. Ejemplos de Keras aplicados a la predicción del análisis del sentimiento.
- Tratamiento del sobreajuste en Deep Learning. Ejemplos de Keras aplicados a la predicción de una clase o de varias clases, así como a predicciones numéricas.
- Redes convolucionales para imágenes. Modelos avanzados para la clasificación de imágenes.
- Deep Learning para Textos. Modelos avanzados para el procesamiento del lenguaje natural.
- Conclusiones Deep Learning y redes Kohonen. Modelos avanzados para el uso de grafos. Redes neuronales no supervisadas.
- Algoritmo lda (clasificación temática) e introducción a la minería de textos.
- Minería de textos. Profundización de la minería de textos.
- Interpretación de modelos. Profundización de la minería de textos.
Uso del entorno H2O Aquarium de utilización de la inteligencia artificial para la optimización de algoritmos.
Proyecto & certificaciónAl finalizar las clases de la formación específica realizarás, con la supervisión de tu tutor, varios proyectos de implantación sobre los conocimientos adquiridos.
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiar tu matrícula en cómodos plazos.
Especialista BD Analitycs. Machine Learning. - Online