Enfoque
Objetivo
Dominar el Machine Learning y qué modelo y algoritmo utilizar para cada reto.
Conocer en qué consiste el Machine Learning y en qué se diferencia de la Inteligencia Artificial y Deep Learning.
Manejar Python para el análisis de datos con las principales librerías (numpy, pandas, scikit-learn...)
Conocer cuáles son los diferentes tipos de machine learning siendo capaz de resolver problemas de clasificación, regresión, clustering y reglas de asociación.
Conocer los algoritmos de machine learning en cada tipología, valorar cuál es el más adecuado y optimizarlo.
Predecir el futuro gracias a los modelos de machine learning para conseguir la ventaja competitiva.
Dar un enorme valor añadido tanto en su compañía como negocio personal.
Añadir una habilidad de sumo interés para nuestra carrera profesional.
Dirigido a:
Personas que se quieran convertir en científicos de datos aprendiendo en qué consiste el Machine Learning para poder sacar el máximo provecho de la información.
Data Scientists que quieran aprender cuáles son los diferentes tipos de Machine Learning así como sus algoritmos y cómo aplicarlos fácilmente con Python.
Analistas de datos que manejan datos en su día a día y quieren obtener un plus explorando la información con el aprendizaje automático.
Perfiles junior que quieran especializarse en una rama con un increíble potencial para el futuro muy valorada en el mercado.
Profesionales de negocios que quieran dar un valor añadido en su compañía o negocio personal.
Requisitos:
No son necesarios, únicamente ganas de aprender una material con enorme potencial.
Temario del curso
1 - Introducción al Machine Learning
Objetivo
Conocer las diferencias entre Machine Learning, Inteligencia Artificial y Deep learning así como entender las diferentes tipologías que existen en Machine Learning.
Duración de la unidad
1 Hora 30 Minutos
Contenido
1. Introducción al Machine Learning
1.1. ¿Qué es el Machine Learning y la Ciencia de Datos?
1.1.1. Entendiendo la Ciencia de Datos
1.1.2. Entendiendo el Machine Learning
1.2. Machine Learning, Inteligencia Artificial y Deep Learning
1.3. Tipos de Machine Learning
1.4. Resumen
2 - Introducción a Python
Objetivo
Aprender los conceptos básicos de Python enfocados en análisis de datos y sus librerías con la distribución Anaconda.
Duración de la unidad
4 Horas 45 Minutos
Contenido
2. Introducción a Python
2.1. Instalación Python + Jupyter
2.1.1. ¿Qué es Python y qué nos proporciona para el análisis de datos?
2.1.2. Instalación Anaconda y variable de entorno
2.1.3. Importar librerías y fuentes de datos
2.2. Conceptos básicos de Python
2.2.1. Variables en Python
2.2.2. Creación de listas y extracción de datos
2.2.3. Diccionarios
2.2.4. Bucles
2.3. Introducción a las librerías: Numpy
2.4. Introducción a las librerías: Pandas
2.5. Introducción a las librerías: Matplotlib
2.6. Librería Machine Learning Scikit-Learn
2.7. Resumen
3 - Machine Learning - Clasificación
Objetivo
Entender qué tipo de problemas resuelven los algoritmos de clasificación y aplicar algoritmos de clasificación en casos de uso reales.
Duración de la unidad
7 Horas
Contenido
3. Machine Learning - Clasificación
3.1. ¿Qué es y qué problemas resuelven un modelo de CLASIFICACIÓN?
3.1.1. Ejemplo modelo Clasificación
3.2. Algoritmos Machine Learning para CLASIFICACIÓN (Decision Tree, SVM, Naive Bayes, Logistic Regression. KNN)
3.2.1. Decision Tree
3.2.2. Support Vector Machine (SVM)
3.2.3. Naive Bayes
3.2.4. Logistic Regression
3.2.5. KNN (K-Nearest Neighbors)
3.3. Explicación paso a paso con Scikit-Learn - Caso Práctico Clasificación
3.4. Resumen
4 - Machine Learning - Regresión
Objetivo
Entender qué tipo de problemas resuelven los algoritmos de regresión y aplicar algoritmos de regresión en casos de uso reales.
Duración de la unidad
3 Horas 05 Minutos
Contenido
4. Machine Learning - Regresión
4.1. ¿Qué es y qué problemas resuelven un modelo de REGRESIÓN?
4.2. Algoritmo Machine Learning Regresión Lineal
4.2.1. ¿Cuáles son las fases de un proyecto de Machine Learning Regresión?
4.3. Explicación paso a paso con Scikit-Learn - Caso Práctico REGRESIÓN
4.4. Resumen
5 - Machine Learning - Clustering
Objetivo
Entender qué tipo de problemas podemos resolver con los algoritmos de clustering y aplicar los algoritmos de clustering con casos de uso reales.
Duración de la unidad
3 Horas 05 Minutos
Contenido
5. Machine Learning - Clustering
5.1. ¿Qué es y qué problemas resuelven un modelo de CLUSTERING?
5.1.1. Aplicaciones del Clustering
5.2. Algoritmo Machine Learning K-Means
5.2.1. ¿Cuáles son las fases de un proyecto de Machine Learning Clustering?
5.3. Explicación paso a paso con Scikit-Learn - Caso Práctico CLUSTERING
5.4. Resumen
6 - Machine Learning - Reglas de Asociación
Objetivo
Entender qué tipo de problemas podemos resolver con los algoritmos de reglas de asociación y aplicar los algoritmos de reglas de asociación con casos de uso reales.
Duración de la unidad
5 Horas 35 Minutos
Contenido
6. Machine Learning - Reglas de Asociación
6.1. ¿Qué es y qué problemas resuelven un modelo de REGLAS DE ASOCIACIÓN?
6.1.1. ¿Qué métricas existen en modelo de Reglas de Asociación?
6.2. Algoritmo Reglas de Asociación - "Apriori"
6.3. Explicación paso a paso - Caso Práctico Reglas de Asociación
6.4. Resumen
Documentos del curso
