aprendizaje.digital

Herramientas, información y guías para el aprendizaje digital

Curso completo de Machine Learning: Data Science en Python

Publicado por aprendizaje.digital

Curso completo de Machine Learning: Data Science en Python - aprendizaje.digital

Curso completo de Machine Learning: Data Science en Python – aprendizaje.digital

Aprende los algoritmos de Machine Learning con Python para convertirte en un Data Science con todo el código para usar.

¡Lo Quiero!

Características.

  • Más de 41 horas de vídeo bajo demanda.
  • Más de 180 clases.
  • Acceso de por vida
  • Acceso en dispositivos móviles y TV.
  • Certificado de finalización.

Requisitos.

Descripción del curso.

El curso está elaborado por Juan Gabriel Gomila, matemático, desarrollador, docente y todo un profesional del mundo del Data Science. A través del curso, Juan Gabriel compartirá su conocimiento y nos ayudará a entender la teoría tan compleja sobre las matemáticas que tiene detrás, los algoritmos y librerías de programación con Python para convertirnos en expertos a pesar de que no tener experiencia previa.

Veremos paso a paso como empezar a trabajar con conceptos y algoritmos del mundo del Machine Learning. Al completar cada clase y sección tendremos nuevas habilidades que ayudarán a entender el mundo complejo y lucrativo de esta rama del Data Science.

Ya que este curso está elaborado «en la línea de Juan Gabriel Gomila», nos divertiremos mientras vamos aprendiendo acerca de técnicas de Machine Learning con Python.

En este curso encontrarás ejercicios, datasets para practicar basados en ejemplos de la vida real, de modo que no solo aprenderás la teoría con los vídeos, si no también a practicar para construir tus propios modelos de Machine Learning. Y como olvidar que tendrás un Github con todo el código fuente en Python para descargar y utilizar en todos tus proyectos. Así que no esperes más y apúntate al curso de Machine Learning más completo y útil del mercado de habla hispana!

Objetivos de aprendizaje.

  • Llevar a cabo predicciones precisas.
  • Elaborar modelos robustos de Machine Learning.
  • Utilizar las técnicas de Machine Learning para uso personal y para asesorar empresas.
  • Desarrollar tu intuición de la mayoría de modelos de Machine Learning.
  • Hacer análisis muy potentes y precisos.
  • Dar valor añadido a tu propia empresa o negocio.
  • Conocer qué modelo de Machine Learning se ajusta mejor a cada tipo de problema.
  • Construir modelos diversos de Machine Learning y combinarlos para resolver cualquier problema que uno se plantee.
  • Utilizar técnicas avanzadas para reducir la dimensión del problema.

Temas tratados en este curso.

  • Sección 1 – Instalación de Python y paquetes necesarios para data science, machine learning y visualización de los datos.
  • Sección 2 – Evolución histórica del análisis predictivo y el machine learning.
  • Sección 3 – Pre procesado y limpieza de los datos.
  • Sección 4 – Manejo de datos y data wrangling, operaciones con datasets y distribuciones de probabilidad más famosas.
  • Sección 5 – Repaso de estadística básica, intervalos de confianza, contrastes de hipótesis, correlación.
  • Sección 6 – Regression lineal simple, regresión lineal múltiple y regresión polinomial, variables categóricas y tratamiento de outliers.
  • Sección 7 – Clasificación con regresión logística, estimación con máxima verosimititud, validación cruzada, K-fold cross validation, curvas ROC.
  • Sección 8 – Clustering, K-means, K-medoides, dendrogramas y clustering jerárquico, técnica del codo y análisis de la silueta.
  • Sección 9 – Clasificación con árboles, bosques aleatorios, técnicas de poda, entropía, maximización de la información.
  • Sección 10 – Support Vector Machines para problemas de clasificación y regresión, kernels no lineales, reconocimiento facial (cómo funciona CSI).
  • Sección 11 – Los K vecinos más cercanos, decisión por mayoría, programación de algoritmos de Machine Learning vs librerías de Python.
  • Sección 12 – Análisis de componentes principales, reducción de la dimensión, LDA.
  • Sección 13 – Análisis de series temporales, predicción de la bolsa de valores.
  • Sección 14 – Deep learning, Reinforcement Learning, Redes neuronales (artificiales y convolucionales) y Tensor Flow.

¿Quién debe tomar este curso?

  • Cualquiera interesado en aprender Machine Learning.
  • Estudiantes que tienen un conocimiento de matemáticas que quieran aprender acerca del Machine Learning con Python.
  • Usuarios intermedios que conocen los fundamentos de Machine learning como los algoritmos clásicos de regresión lineal o logística pero buscan aprender más y explorar otros campos del aprendizaje estadístico.
  • Programadores que les guste el código y que estén interesados en aprender Machine Learning para aplicar dichas técnicas a sus datasets.
  • Estudiantes de universidad que busquen especializarse y aprender a ser Data Scientists.
  • Analistas de datos que quieran ir más allá gracias al Machine Learning.
  • Cualquier persona que no esté satisfecha con su propio trabajo y busque empezar a trabajar como un Data Scientist profesional.
  • Cualquier persona que quiera dar valor añadido a su propia empresa utilizando las potentes herramientas de Machine Learning.

Información adicional.

En aprendizaje.digital realizamos una selección muy seria y detallada de los cursos que te recomendamos. Muchos cursos tienen costo y otros son gratuitos.

¡No te demores!
Adquiere este curso y cambia tu vida.

¿Cuánto cuesta?