Programa de Machine Learning Práctico con Python

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
• 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