Curso actualmente no disponible

Programa intensivo en Data Science

Curso

En Madrid ()

500 € IVA inc.

Descripción

  • Tipología

    Curso

  • Nivel

    Nivel básico

  • Horas lectivas

    40h

  • Duración

    8 Días

Descripción

DevAcademy convoca el programa formativo en Data Science para profesionales que quieran incorporarse en proyectos y retos tecnológicos sobre Machine Learning y Deep Learning.

Dale un giro a tu carrera profesional o empieza en una de las áreas más prometedoras del sector tecnológico. Gracias a este programa podrás aprender las tecnologías de forma práctica y guiada por profesionales experimentados.

Los planes formativos intensivos están especialmente diseñados para todos los perfiles, pensando especialmente en aquellos que quieran iniciarse en Data Science como por ejemplo:

- Los que quieren cambiar de profesión
- Los recién graduados que quieren empezar su carrera en el área de Data Science
- Los que quieren promocionar dentro de su empresa con nuevos skills
- Emprendedores que buscan adquirir habilidades para crear un mínimo producto viable

Preguntas & Respuestas

Plantea tus dudas y otros usuarios podrán responderte

Sólo publicaremos tu nombre y pregunta

Materias

  • Data science
  • Machine learning
  • Deep learning
  • Python
  • TensorFlow
  • Gradient Boosting
  • H2O
  • Scikit-Learn
  • SVM
  • Hands-On Python

Profesores

Profesionales  Profesores DevAcademy

Profesionales Profesores DevAcademy

Profesores

Temario

1.Introducción al aprendizaje automático
  • Definición y flujo de un proceso de Machine Learning
  • Tipos de aprendizaje automático
  • Aprendizaje supervisado vs no supervisado
  • Problema del sobreentrenamiento
  • Ecosistema de librerías básicas en proyectos Machine Learning

2. Librerías de Python para proyectos de Data Science

  • Numpy, Pandas, Scikit-learn, Tensorflow ,Keras y PyTorch
  • Introducción y despliegue de Anaconda
  • Python desde CLI
  • IDEs: PyCharm, Spyder
  • Notebooks: Jupyter

3. Manipulación de Datasets

  • Importación y exportación (CSV, JSON, XLS y otros formatos)
  • Conexiones a bases de datos
  • Ordenando y filtrando datos
  • Unión de datos
  • Operaciones de agregación
  • Funciones lambda
  • Estadísticas básicas
  • Tratamiento de missings
  • Normalización y estandarización
  • Reducción dimensional
  • Conceptos de pivoting

4. Librerías de visualización de datos con Python: Matplotlib, Bokeh y Seabron

5. Machine Learning práctico con Scikit-Learn

  • Introducción a scikit-learn
  • Datasets sklearn
  • Métricas para evaluar la precisión
  • Algoritmos de Machine Learning en scikit-learn
  • Introducción a métodos de selección de variables y performance
  • Hands-On Python: Feature-Selection
  • Hands-On Python: Cross-Validation
  • Hands-On Python: Optimización
  • Hands-On Python: Dimensionality reduction

6.Introducción a modelos supervisados para problemas de regresión

  • Ajuste por mínimos cuadrados: Ridge, Lasso, Elastic Net.
  • Hands-On Python : Regresión

7. Introducción a modelos supervisados para problemas de clasificación:

  • Regresión logística
  • Hands-On Python : Clasificación
  • Introducción a k-vecinos

8. Introducción a máquinas de soporte vectorial (SVM)

  • Tipos: Clasificación y Regresión
  • Tipos de funciones Kernel
  • Consejos prácticos
  • Hands-On Python : SVC
  • Hands-On Python : SVR
  • K-NN como algoritmo de clasificación supervisada
  • Hands-On Python : KNeighborsClassifier

9. Introducción a los árboles de decisión

  • Tipos: Clasificación, Regresión
  • Consejos prácticos
  • Hands-On Python : DecissionTreeClassifier
  • Hands-On Python : DecissionTreeRegressor

10. Introducción a los árboles de decisión

  • Hands-On Python: RandomForestClassifier
  • Hands-On Python: RandomForestRegressor

11. Introducción a modelos combinados:

  • Hands-On Python: AdaBoostClassifier
  • Hands-On Python: AdaBoostRegressor

12. Introducción a modelos de aprendizaje no supervisados:

  • Clustering: K-Means

13. Gradient Boosting algorithms (XGBoost):

  • Hands-On Python: Librería XGBoost
  • Hands-On Python: GradientBoostingClassifier
  • Hands-On Python: GradientBoostingRegressor
  • Hands-On Python: Feature Selection con XGBoost
  • Hands-On Python: Sobreentrenamiento
  • Hands-On Python: Callbacks

14. Introducción a H2O:

  • Hands-On Python: Classifier
  • Hands-On Python: Regressor
  • Hands-On Python: AutoML

15. Redes neuronales para aprendizaje supervisado (Keras y PyTorch)

  • Hands-On Python: MLP
  • Hands-On Python: Redes Neuronales Convolucionales
  • Hands-On Python: Redes Neuronales Recurrentes
  • Hands-On Python: Ajuste de parámetros
  • Hands-On Python: Sobreentrenamiento
  • Hands-On Python: Callbacks

16. Redes neuronales para aprendizaje no supervisados (Keras y PyTorch):

  • Hands-On Python: Self Organizing Maps
  • Boltzmann Machine: Self Organizing Maps
  • Hands-On Python: Autoencoder

Caso práctico guiado 1: Problema de regresión.

Caso práctico guiado 2: Clasificación de imágenes.

Información adicional

Fechas en 2 semanas de lunes a jueves Semana del 2 al 5 de Julio. Semana del 9 al 12 de Julio. Horario: 16:00hrs – 21:00hrs
***El precio de 500€ se mantendrá EXCLUSIVAMENTE hasta el 15 de Mayo.

Más información

¿Necesitas un coach de formación?

Te ayudará a comparar y elegir el mejor curso para ti, y podrás financiar tu matrícula en cómodos plazos.

900 64 94 94

Llamada gratuita. Lunes a viernes de 9h a 20h.

Programa intensivo en Data Science

500 € IVA inc.