Machine Learning con Python

Descripción

Destinado a: 
Profesionales con Formación profesional, carrera universitaria o experiencia relacionada el sector industrial y/o la informática.

Objetivos Formativos:
• Conocer las técnicas habituales de manejo de datos para su uso posterior
• Conocer las técnicas típicas de estadística
• Saber aplicar los distintos algoritmos de modelos de predicción
• Saber presentar los datos en forma de gráficas

Requisitos:
• Fundamentos de programación
• Programación Python

Temario:
1. Introducción
– Características y Etiquetas
– Aprendizaje supervisado
– Aprendizaje no supervisado
– Aprendizaje por refuerzo
– Sobreajuste
2. Entorno de Desarrollo
– Introducción
– Bases de Datos
– Servicios Web
– Ficheros CSV
– IDE’s
– Pycharm/Anaconda
– Bibliotecas
3. Estadística
– Introducción
– Representación cartesiana
– Histogramas
– Gráficos de dispersión
– Coeficiente de correlación
– Regresión lineal
– Tipos de Correlación
– Agrupaciones
4. Preparación de los datos
– Cargar los datos necesarios para el proyecto
– Modelos de datos (Dataset)
– Carga desde CSV
– Inspección de los tipos de datos
– Inspección cuantitativa y de salud de los datos
– Limpiar los datos
– Manejo de datos faltantes
– Pandas, Numpy, Scipy
5.- Generación de gráficas
– Tipos de Gráficas
– Matplotlib
– Histogramas
– Gráficas de dispersión
– Pyplot
6. Algoritmos: Clasificación y Regresión
– Sklearn
– Regresiones
* Regresión Lineal
* Regresión Logística
* Regresión Logística Multinomial
– Clasificaciones
* KNN
*Kmeans
– Reducción de dimensiones: PCA
7. Árboles
– Introducción
– Árboles de Decisión
– Random Forest
8. Redes Neuronales y Deep Learning
– Introducción
– Problemas de las redes neuronales
– MLPC Multi-layer Perceptron Classifier
– Underfitting y Overfitting
– TFLearn
– TensorFlow
– Pytorch
– Deep Learning
– ImageNet
– Redes convolucionales
8. Proyecto Final
– Proyecto final de módulo