Machine Learning con Python. Aprendizaje Automático Avanzado

Machine Learning con Python. Aprendizaje Automático Avanzado

Aprendizaje Automático Scikit-Learn en Python. Modelos Predictivos. Data Science. De básico a Experto.

Instructores: PhD. Manuel Castillo y Arquitecto Álvaro García. Contenido Actualizado: Abril 2021

Descripción del Curso:

El curso de “Machine Learning con Python” se centra en un subcampo específico de aprendizaje automático llamado modelado predictivo y clustering. Este es el campo del aprendizaje automático que es el más útil en la industria y el cual se utilizar la librería de aprendizaje automático scikit-learn en Python por su gran rendimiento y facilidad en su uso.

A diferencia de las estadísticas, donde los modelos se usan para comprender los datos, el modelado predictivo se enfoca en el desarrollo de modelos que hacen las predicciones más precisas a expensas de explicar por qué se hacen las predicciones.

A diferencia del campo más amplio del aprendizaje automático que podría utilizarse con datos en cualquier formato, el modelado predictivo y clustering se centra principalmente en datos tabulares, llamados técnicamente Tidy Data (por ejemplo, tablas de números como en una hoja de cálculo).

El curso  está dirigido a personas que tengan pocos conocimientos de machine learning, conocimientos intermedios del lenguaje de programación y que quieran adentrarse a este apasionante mundo de dentro del campo de modelado predictivo y clustering.

Además, el curso está diseñado para que cualquier estudiante universitario, investigador o tecnólogo que se encuentre realizando o necesite realizar diferentes experimentos a través de grandes conjuntos de datos para poder sintetizarlos en alguna salida predictiva puedan utilizar los muy diferentes recursos de machine learning que nos pone a nuestra disposición el lenguaje de programación.

Contenidos del Curso:

MÓDULO I. Introducción.

• Conceptos básicos de machine learning.

• Jupyter Notebook como nuestro entorno de machine learning.

• Curso rápido de Python.

MÓDULO II. Análisis de datos

• Cargar un conjunto de datos.

• Estadística descriptiva.

• Visualización de datos.

• Taller: Trabajo de aplicación de diferentes técnicas analíticas de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.

• Examen tipo test sobre los contenidos del módulo.

MODULO III. Preprocesamiento de datos

• Análisis exploratorio de datos.

• Preprocesamiento de datos.

• Métodos de remuestreo para estimar la precisión del modelo.

• Taller: Trabajo de aplicación de diferentes técnicas de análisis y procesamiento de datos de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.

• Examen tipo test sobre los contenidos del módulo.

MÓDULO IV. Fase de tratamiento de datos

• Evaluación de las métricas.

• Feature Selection.

• Feature Importance.

• Reducción de dimensiones en un dataset.

• Taller: Aplicación de diferentes técnicas de tratamiento de datos en un conjunto de datos y verificación de su impacto en las métricas algorítmicas.

• Examen tipo test sobre los contenidos del módulo.

MÓDULO V. Fase de modelado

• Algoritmos de Machine Learning.

• Rendimiento de los algoritmos.

• Algoritmos Ensamblados

• Algoritmo "Super Lerner"

• Taller: Aplicación de diferentes algoritmos de machine learning en un conjunto de datos e interpretar la salida obtenida, así mismo, verificar el algoritmo que tenga mejor comportamiento.

• Examen tipo test sobre los contenidos del módulo.

MÓDULO VI. Fase de optimización y forecasting

• Pipelines.

• Procesamiento de datos avanzado.

• Configuración de hiperparámetros.

• Guardado e integración del modelo.

• Taller: Una vez seleccionados los algoritmos candidatos a modelo realizar una optimización de estos a través de la configuración de sus hiperparámetros.

• Examen tipo test sobre los contenidos del módulo.

MÓDULO VII. Proyectos de machine learning

• Trabajar un proyecto de clasificación multiclase

• Trabajar un proyecto de regresión.

• Trabajar un proyecto de clasificación binaria.

• Proyecto: Realizar un proyecto completo analizando todas las fases estudiadas en los diferentes módulos.

MÓDULO VIII. Aprendizaje No Supervisado

• Aprendizaje No supervisado.

• Algoritmos de Aprendizaje No Supervisado.

• Determinar el número óptimo de clústers.

• Proyecto de Aprendizaje No Supervisado.

Características del Curso:

Recuerda que esta formación incluye lecciones en vídeo fullHD con audio de estudio (compatible con TV, PC, Mac, tablet y smartphone), artículos didácticos, actividades, proyectos paso a paso, recursos descargables, links de interés, acceso de por vida, certificado de finalización, tutorización online, y una exclusiva comunidad de aprendizaje privada que nos ayudamos aportando nuestras experiencias en el foro de comunicación del curso.

¿A qué esperas?, este curso es ideal para ti, atrévete a convertirte en un experto. Adelante, nos vemos dentro de la formación ;)