Curso de Python + Machine Learning
- Curso |
- Online
- Prácticas en empresas
Precio
Contacta con el centro para más información
Pide Información y sin compromiso
Descripción del curso
Detalles
Dirigido a:
REQUISITOS
No existen requisitos previos ya que el enfoque del curso está destinado a formar a los alumnos desde cero en las competencias profesionales en Machine Learning.
Comentarios:
El machine learning es la ciencia de desarrollo de algoritmos y modelos estadísticos que utilizan los sistemas de computación con el fin de llevar a cabo tareas sin instrucciones explícitas, en vez de basarse en patrones e inferencias.
OBJETIVOS DEL CURSO
Crear máquinas con las mismas capacidades racionales que el ser humano a partir de la imitación de los procesos cognitivos. Podemos decir que Machine Learning es, entonces, un subconjunto de la IA especializado en las técnicas de aprendizaje orientadas a la realización de tareas.
SALIDAS PROFESIONALES
Al final de este curso, los alumnos estarán preparados para dar el salto al mundo profesional, con varias especialidades y un currículum actualizado y reforzado. Por ello, el campo laboral de estos expertos es muy amplio, desde áreas de análisis de datos, desarrollo de software, marketing y publicidad, industria, investigación e innovación.
PRÁCTICAS EN EMPRESA
- Incluidas
Temario:
Introducción al Machine Learning
MÓDULO 1: INTRODUCCIÓN AL MACHINE LEARNING
Tema 1: Introducción al Big Data y Machine Learning
- Introducción al Machine Learning
- ¿Qué ha motivado este renacer del ML?
- Machine Learning vs IA vs Deep Learning
REQUISITOS
No existen requisitos previos ya que el enfoque del curso está destinado a formar a los alumnos desde cero en las competencias profesionales en Machine Learning.
Comentarios:
El machine learning es la ciencia de desarrollo de algoritmos y modelos estadísticos que utilizan los sistemas de computación con el fin de llevar a cabo tareas sin instrucciones explícitas, en vez de basarse en patrones e inferencias.
OBJETIVOS DEL CURSO
Crear máquinas con las mismas capacidades racionales que el ser humano a partir de la imitación de los procesos cognitivos. Podemos decir que Machine Learning es, entonces, un subconjunto de la IA especializado en las técnicas de aprendizaje orientadas a la realización de tareas.
SALIDAS PROFESIONALES
Al final de este curso, los alumnos estarán preparados para dar el salto al mundo profesional, con varias especialidades y un currículum actualizado y reforzado. Por ello, el campo laboral de estos expertos es muy amplio, desde áreas de análisis de datos, desarrollo de software, marketing y publicidad, industria, investigación e innovación.
PRÁCTICAS EN EMPRESA
- Incluidas
Temario:
Introducción al Machine Learning
MÓDULO 1: INTRODUCCIÓN AL MACHINE LEARNING
Tema 1: Introducción al Big Data y Machine Learning
- Introducción al Machine Learning
- ¿Qué ha motivado este renacer del ML?
- Machine Learning vs IA vs Deep Learning
- Aplicaciones del Machine Learning
Tema 2: Librerías numéricas de Python y Scikit-learn
- Tratamiento de datos de datos con Pandas y Numpy
- Representación de datos con Matplotlib
Tema 3: Preprocesamiento de datos
- Pasos en el desarrollo de un proyecto de ML
- ¿Qué problemas podemos encontrar en nuestros datos?
- (Data Quality / Garbage in - Garbage out
- Preprocesamiento y limpieza de datos con Python (NAs, duplicados, normalización, outliers, clases desbalanceadas, One Hot Encoding)
MÓDULO 2: APRENDIZAJE SUPERVISADO
Tema 1: Introducción a los modelos de aprendizaje supervisado
- Texto: Aprendizaje supervisado vs aprendizaje no supervisado vs aprendizaje por refuerzo
- Texto: Clasificación vs regresión
- Modelos de aprendizaje supervisado
Tema 2: Modelos de Regresión
- Introducción a los modelos de Regresión
- Modelo de regresión líneal simple y múltiple
- Correlación
- Coeficiente de determinación
- Trade off sesgo y varianza
Tema 3: Modelos de clasificación
- Introducción a los modelos de clasificación
- Concepto de threshold
- Matriz de confusión
- Precisión vs especificidad vs sensibilidad
- Modelo de Regresión logística
- Modelo de árbol de decisión
- Métodos ensamblados
- Random forest
- Modelo de K – vecinos próximos
- ¿Cómo se calcula la distancia entre dos vecinos?
- Escoger el mejor valor de k
MÓDULO 4: APRENDIZAJE NO SUPERVISADO
Tema 1: Introducción al aprendizaje no supervisado
- Introducción al clustering
- Casos de uso
- K – Medias
- Método del codo
- Modelos avanzados de clustering (Mean shift, Agrupamiento jerárquico, DBSCAN)
- Aplicaciones de la reducción de la dimensionalidad
- PCA
MÓDULO 5: DESARROLLO DE SISTEMAS DE APRENDIZAJE AUTOMÁTICO
Tema 1: Machine Learning en la nube
- Introducción al Cloud Computing
- Principales proveedores (AWS, GCP, Azure) -
- Ventajas del Cloud
- Azure ML Designer
- AutoML
Tema 2: Machine Learning sin código
- Librería Pycaret
- Librería Lazypredict
- Knime
...Tema 2: Librerías numéricas de Python y Scikit-learn
- Tratamiento de datos de datos con Pandas y Numpy
- Representación de datos con Matplotlib
Tema 3: Preprocesamiento de datos
- Pasos en el desarrollo de un proyecto de ML
- ¿Qué problemas podemos encontrar en nuestros datos?
- (Data Quality / Garbage in - Garbage out
- Preprocesamiento y limpieza de datos con Python (NAs, duplicados, normalización, outliers, clases desbalanceadas, One Hot Encoding)
MÓDULO 2: APRENDIZAJE SUPERVISADO
Tema 1: Introducción a los modelos de aprendizaje supervisado
- Texto: Aprendizaje supervisado vs aprendizaje no supervisado vs aprendizaje por refuerzo
- Texto: Clasificación vs regresión
- Modelos de aprendizaje supervisado
Tema 2: Modelos de Regresión
- Introducción a los modelos de Regresión
- Modelo de regresión líneal simple y múltiple
- Correlación
- Coeficiente de determinación
- Trade off sesgo y varianza
Tema 3: Modelos de clasificación
- Introducción a los modelos de clasificación
- Concepto de threshold
- Matriz de confusión
- Precisión vs especificidad vs sensibilidad
- Modelo de Regresión logística
- Modelo de árbol de decisión
- Métodos ensamblados
- Random forest
- Modelo de K – vecinos próximos
- ¿Cómo se calcula la distancia entre dos vecinos?
- Escoger el mejor valor de k
MÓDULO 4: APRENDIZAJE NO SUPERVISADO
Tema 1: Introducción al aprendizaje no supervisado
- Introducción al clustering
- Casos de uso
- K – Medias
- Método del codo
- Modelos avanzados de clustering (Mean shift, Agrupamiento jerárquico, DBSCAN)
- Aplicaciones de la reducción de la dimensionalidad
- PCA
MÓDULO 5: DESARROLLO DE SISTEMAS DE APRENDIZAJE AUTOMÁTICO
Tema 1: Machine Learning en la nube
- Introducción al Cloud Computing
- Principales proveedores (AWS, GCP, Azure) -
- Ventajas del Cloud
- Azure ML Designer
- AutoML
Tema 2: Machine Learning sin código
- Librería Pycaret
- Librería Lazypredict
- Knime
Sede principal del centro
A Coruña: Rúa Copérnico 3 - 15008 - A Coruña- A Coruña: Rúa Copérnico 3 - 15008 - A Coruña
Ofertas relacionadas
-
-
Online y Semipresencial en Madrid, Barcelona, A Coruña, Alicante y 19 provincias +Centro: Tokio- Prácticas
-
Online- Prácticas
-
A distancia, Online y Semipresencial en Madrid, Barcelona, A Coruña, Álava y 46 provincias +- Prácticas
-
