El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.
En este curso se aplicará algoritmos de Machine Learning de forma simple y eficiente. Se utilizará herramientas para análisis y minería de datos implementando esta librería en los proyectos.
Duración: 40 Horas
1.1. INTRODUCCIÓN AL CURSO DE MACHINE LEARNING APLICADO CON PYTHON
1.2. MONTAR UN AMBIENTE DE TRABAJO DE MACHINE LEARNING
2.1. IMPORTANCIA DE DEFINIR EL PROBLEMA EN MACHINE LEARNING
2.2. PREDECIR EL INGRESO DE PELÍCULAS DE IMDB
2.3. TERMINOLOGÍA DE MACHINE LEARNING
3.1. EL CICLO DE MACHINE LEARNING
4.1. CONFIGURACIÓN DEL AMBIENTE DE TRABAJO CON DOCKER
4.2. CONSTRUCCIÓN DE CONTENEDORES DE DOCKER
4.3. QUÉ ES Y CÓMO SE UTILIZA NUMPY
4.4. ARRAYS EN NUMPY
4.5. OPERACIONES ARITMÉTICAS EN NUMPY
5.1. CARGAR LOS DATOS NECESARIOS PARA EL PROYECTO
5.2. INSPECCIÓN DE LOS TIPOS DE DATOS
5.3. INSPECCIÓN CUANTITATIVA Y DE SALUD DE LOS DATOS
5.4. LIMPIAR LOS DATOS
5.5. MANEJO DE DATOS FALTANTES
6.1. EL OBJETO ESTIMADOR DE SCIKIT-LEARN
6.2. IMPLEMENTAR UN MODELO DE REGRESIÓN (LASSO)
6.3. AJUSTANDO MODELOS DE MACHINE MEARNING, UNDERFITTING Y OVERFITTING
6.4. EVALUANDO EL MODELO
7.1. FEEDBACK DEL MODELAMIENTO
7.2. ANÁLISIS EXPLORATORIO
7.3. CREACIÓN DE CARACTERÍSTICAS
7.4. SELECCIÓN DE CARACTERÍSTICAS Y LA MALDICIÓN DE LA DIMENSIONALIDAD
8.1. VALIDACIÓN CRUZADA
8.2. SELECCIÓN DE MODELOS
8.3. CURVAS DE APRENDIZAJE
8.4. INTRODUCCIÓN A ENSEMBLES Y ÁRBOLES DE DECISIÓN
8.5. RANDOM FOREST Y GRADIENT BOOSTING TREES
8.6. OPTIMIZACIÓN DE HIPERPARÁMETROS
La inversión incluye: Material de estudio, certificados e impuestos de ley.