Programa de Machine Learning Práctico con Python
Curso
En Madrid
¿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
-
Nivel
Nivel intermedio
-
Lugar
Madrid
-
Horas lectivas
20h
-
Duración
4 Días
-
Inicio
Fechas a elegir
El Machine Learning gana relevancia y muchas empresas deciden que es vital para su estrategia, pero la falta de personal con experiencia en el área hace que muchos desarrolladores tengan que aprender Machine Learning sobre la marcha, a veces sin tiempo para poder elegir las herramientas correctas.
Python es un lenguaje cómodo y fácil de aprender, y cuenta con gran número de librerías de código libre que cubren casi el 100% de las necesidades de cualquier desarrollador que se especialice en Machine Learning.
El curso está planteado de forma modular con el fin de dar una introducción práctica a los alumnos con el fin de aprender las diferentes técnicas que existen en Machine Learning y su aplicación con librerías específicas para ello en Python. Los objetivos son:
Introducir las principales librerías que podemos encontrar en Python para tratamiento y visualización de datos
Dar a conocer los principales algoritmos para resolver problemas de Machine Learning.
Introducir desde un perspectiva teórico-práctica técnicas de Machine Learning utilizando el módulo Scikit-learn en Python
Instalaciones y fechas
Ubicación
Inicio
Inicio
Opiniones
Materias
- Machine learning
- Python
- Numpy
- Pandas
- Scipy
- PyCharm
- Spyder
- Matplotlib
- Bokeh
- Seabron
Profesores
Profesionales Profesores DevAcademy
Profesores
Temario
Introducción a Machine Learning
- 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
- Librerías de Python para proyectos de Data Science
- Numpy
- Pandas
- Scipy
- Introducción y despliegue de Anaconda
- Python desde CLI
- IDEs: PyCharm, Spyder
- Notebooks: Jupyter
- 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
- Librerías de visualización de datos con Python: Matplotlib, Bokeh, Seabron y QGrid
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
- Introducción a modelos supervisados para problemas de regresión:
- Ajuste por mínimos cuadrados: Ridge, Lasso, Elastic Net.
- Hands-On Python : Regresión
- Introducción a modelos supervisados para problemas de clasificación:
- Regresión logística
- Hands-On Python : Clasificación
- Introducción a métodos Bayesianos
- Hands-On Python: Gaussian Naive Bayes
- Introducción a k-vecinos
- Regresión logística
- Ajuste por mínimos cuadrados: Ridge, Lasso, Elastic Net.
- 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
- Introducción a los árboles de decisión
- Tipos: Clasificación, Regresión
- Consejos prácticos
- Hands-On Python : DecissionTreeClassifier
- Hands-On Python : DecissionTreeRegressor
- Introducción a Random Forest:
- Hands-On Python: RandomForestClassifier
- Hands-On Python: RandomForestRegressor
- Introducción a modelos combinados:
- Hands-On Python: AdaBoostClassifier
- Hands-On Python: AdaBoostRegressor
- Introducción a las redes neuronales (Keras)
- Hands-On Python: MLP
- Hands-On Python: Redes Neuronales Convolucionales
- Hands-On Python: Redes Neuronales Recurrentes
- Hands-On Python: Autoencoder
- Gradient Boosting algorithms
- Hands-On Python: Librería XGBoost
- Hands-On Python: GradientBoostingClassifier
- Hands-On Python: GradientBoostingRegressor
- Introducción a modelos no supervisados:
- Clustering: K-Means
- Caso práctico guiado: Kaggle
Información adicional
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiar tu matrícula en cómodos plazos.
Programa de Machine Learning Práctico con Python