Curso de Machine Learning en Python

Si su curiosidad lo lleva más allá de los límites y le gustaría especializarse para ser todo un científico de datos, el curso “Machine Learning en Python” es el ideal, ya que a través de esta rama de la Inteligencia Artificial podrá desarrollar técnicas que le permitirán que las computadoras aprendan de forma automática y podrá desarrollar una amplia gama de aplicaciones.

Descripción del Curso
Objetivos del curso

Proporcionar al estudiante la oportunidad de comprender a través de Python las teorías matemáticas más complejas y que se vuelva “todo un experto”, adquiriendo en la práctica las habilidades de esta rama del Data Science.

Por otra parte, darle a conocer las técnicas existentes, sus fundamentos y sobre qué tipo de problemas puede aplicarse.

Perfil del alumno

Profesionales del sector de la informática, matemática, física, telecomunicaciones y programadores interesados en aprender Machine Learning, que busquen especializarse para aplicar dichas técnicas en sus datasets y llegar más allá; incluso aquellos que deseen darle un valor extra a su empresa utilizando sus potentes herramientas.

Salidas profesionales

La adquisición de estos conocimientos le permitirá formarse a nivel empresarial y desarrollarse como Big Data (especialidad en el campo con más demandas en la actualidad).

Requisitos técnicos
Que aprenderás cuando termines este curso
  • Cómo desarrollar y evaluar modelos con todos los algoritmos de Machine Learning de principio a fin.
  • Cómo utilizar las técnicas más avanzadas necesarias para desarrollar modelos de Deep Learning de vanguardia.
  • Cómo construir modelos más grandes para datos de imagen y texto.
  • Cómo utilizar técnicas avanzadas de aumento de imagen para elevar el rendimiento del modelo.
  • Cómo saber que algoritmo aplicar desde sus ventajas y desventajas.

Índice del Curso de Machine Learning

1. Introduccion al Machine Learning con Scikit Learn

Intro del curso donde se hace un resumen de todos los puntos del curso introducción al Machine Learning con Scikit Learn, dando algunas notas/consejos importantes para los que van comenzando.

2. Modelos Lineales Generalizados

1. Ajuste por mínimos cuadrados

Se dan detalles para la utilización en el manejo de códigos aplicando el LinearRegression basados en el modelo presentado evitando todo tipo de errores en los ajustes por mínimos cuadrados.

2. Regresión de cresta

Gracias a la regresión de cresta, entraremos en contacto con problemas de los mínimos cuadrados imponiendo una penalización sobre el tamaño de los coeficientes plasmado en gráficos.

3. Support Vector Machines (SVM)

Te decimos que son las “máquinas vectoriales de apoyo” en inglés “Support Vector Machines(SVMs). Explicamos para qué funciona, sus ventajas, desventajas, la clasificación y más para darle continuidad al desarrollo de datos.

1.  Ejemplo Simple Support Vector Machine

Si no te quedó claro el Machine Learning, aquí te diremos todo lo que necesitas con ejemplos del Simple Support Vector Machine.

2.  SVC lineal Machine Learning

Sabrás sobre el SVC lineal Machine Learning detalladamente, todos plasmados en ejemplos claros usando los grupos de datos que han sido proporcionados para la explicación.

4. Nearest Neighbour

Te mostramos con Nearest Neighbour la funcionalidad de métodos para el aprendizaje basado en los vecinos no supervisados y supervisados aplicando ejemplos.

1. Nearest Neighbors Clasificacion

Continuación con la clase, Nearest Neighbors Clasificacion es la que se basa principalmente en los vecinos para el tipo de aprendizaje, pasamos a explicar su clasificación básica y uniforme.

2.  Nearest Neighbors Regression

Nearest Neighbots Regression es usado con las etiquetas de datos, te damos detalles de cómo emplearla en un claro ejemplo.

3.  Nearest Centroid Classifier

Te explicamos qué es el algoritmo de Neasert Centroid Classifier y te damos un ejemplo de como se hace machine learning con puntos nuevos.

5. Descenso de Gradientes Estocástico “SGD”

Te explicamos qué es el Descenso de Gradientes Estocástico “SGD”, te decimos, además, sobre sus ventajas y desventajas al emplearlas para, finalmente, pasar a clasificarlo.

6. Procesos Gaussianos

Te decimos para qué sirven los Procesos Gaussianos junto a sus ventajas y desventajas, el cómo se implementa para propósito de regresión. Todo ello se basa en el proceso GP.

7. Descomposición cruzada

Se exponen los diferentes usos cuando este algoritmo es más eficiente y te explicamos de que se trata. Además a partir de un ejemplo podrás ver una aplicación real del mismo.

8. Decision Trees o Árboles de decisión

Los Árboles de Decisión en si mismos son un método de aprendizaje supervisado no paramétrico utilizado para la clasificación y regresión.En este post te exponemos las ventajas y desventajas de este método acompañado de un claro ejemplo para mejorar la compresión.

9. Ensemble methods o Métodos de conjunto

El objetivo de este método es combinar las predicciones de varios estimadores de base construidos con un algoritmo de aprendizaje. En este post te detallamos los dos métodos mas generales (promediacion y empuje) y a partir de un ejemplo podrás ver la potencia de este método.

10. Multiclass and multilabel algorithms / Algoritmos multiclase y multietiqueta

Te explicamos como resolver problemas de clasificación multiclase y multilabel (multietiqueta) descomponiendo dichos problemas en problemas de clasificación binaria mas simples, siempre acompañado de ejemplos.

 

Ejemplos avanzados de Machine Learning

1. Detección de Sentimientos con Machine Learning

Te enseñamos a cómo usar un algoritmo para saber los sentimientos de una persona usando el Machine Learning, los ejemplos mostrados son imágenes de personas de las que podemos extraer sus sentimientos.

➡ Te invitamos a la 1º clase del Curso de Machine Learning en Python

Curso de Machine Learning en Python