Machine Learning & Data Science con Python
Your Instructor
PRECIO
Consultar
DURACION
5 Meses (20 clases)
En este curso aprenderás a programar Python para poder manipular todo tipo de información,
creando nuestros propios scripts. Si bien con Python podrás encarar cualquier tipo de
proyecto, en este curso nos centraremos en el Machine learning: aprenderemos como
implementar algoritmos de este tipo desde cero.
Este es un curso teórico -práctico Acerca del Machine Learning Cada vez un mayor volumen de datos se sigue generando en las organizaciones y se requiere de ciertas capacidades y habilidades para poder identificar patrones ocultos en todo este mar de datos y así lograr predecir comportamientos o eventos futuros mediante un aprendizaje automático. Las aplicaciones del Machine Learning (ML) son muy diversas y amplias como: pronosticar la fuga de clientes, prevención de fraudes, segmentación de clientes, sistemas de recomendación, reconocimiento de patrones en imágenes, voz y vídeo, análisis de sentimientos, diagnósticos médicos, programas informáticos de inteligencia artificial, entre otros. En este curso adquirirás los conocimientos, habilidades y técnicas para el análisis de datos y el desarrollo de modelos predictivos. Conocerás al detalle cada fase del proceso de construcción de un modelo de Machine Learning y cómo identificar el valor generado de su puesta en producción. Conocerás Python como una de las herramientas más fáciles de utilizar para aplicar Machine Learning a casos reales y aplicativos
TEMARIO
DATA SCIENCE: MACHINE LEARNING CON PYTHON
MODULO 1:
Introducción a la programación con Python orientado a procesamiento de datos:
Introducción
Variables y Strings.
Condicionales.
Bucles For.
Diccionarios.
Archivos y Funciones.
Clases.
Métodos.
Herencia.
Estructura de datos. Search & Sort.
Debugging.
Matplotlib.
Inserción.
Busqueda lineal y binaria.
Pandas.
Análisis exploratorio.
Data Wrangling
Análisis e interpretación y visualización de datos
Manipulación y creación de Estructura de Datos,
MODULO 2:
Estadística
Numpy.
Vectorización.
Probabilidad.
Distribuciones Uniforme,
Bernoulli, Binomial.
Poisson.
Exponencial.
Normal.
Estadística Inferencial.
Teorema del Límite Central.
Test de Hipótesis
MODULO 3:
Feature Engineering:
Fundamentos y técnicas de Ingeniería de Datos,
PCA Clásico, Elementos matemáticos.
Data Reduction.
Reducción de la dimensionalidad.
Estandarizar.
Normalización.
Escalado.
Ajuste de Datos.
MODULO 4:
Exploración y Modelado de Datos con Algoritmos Supervisados:
Sesgo.
Varianza.
Regresión Lineal Simple y Multivariable.
Regresión Logística.
Naive Bayes.
Descenso Graciente y Regularización.
Cross Validation.
Ecuación Normal.
Scikit-learn.
Árboles de decisión.
KNN.
MODULO 5:
Algoritmos No Supervisados de Machine Learning:
k-Means.
Clusterización Jerárquica.
Density Based Scan Clustering.
Modelo de agrupamiento Gaussiano.
NLP.
Descomposición en valores singulares.
SVD.
Sistemas de recomendación.
Latent Semantic Analysis.
Inicios: Permanentes, inmediato a tu inscripción.
Modalidad: Virtual, clase en tiempo real, en caso de no poder asistir la clase se encuentra grabada en el campus
Capacitación aprobada bajo el acta acuerdo del Programa Nacional de Partners.
Certificado Internacional
