Machine Learning con Python y Scikit-learn

  • Nivel del curso: Intermedio
  • Categorías Data Science
  • Duración 32h
  • Última actualización 13 abril, 2022

Acerca de este curso

Scikit-learn es una biblioteca robusta de aprendizaje automático, también llamado Machine Learning, para el lenguaje de programación Python. Proporciona un conjunto de algoritmos de aprendizaje supervisados y no supervisados. Este curso es la forma más fácil de aprender a implementar, optimizar y evaluar todos los algoritmos importantes de aprendizaje automático que proporciona scikit-learn. Comenzará configurando y su entorno de aprendizaje automático con scikit-learn. Para utilizar scikit-learn, aprenderá a implementar varios modelos de aprendizaje automático supervisados y no supervisados. Aprenderá técnicas de clasificación, regresión y agrupación para trabajar con diferentes tipos de conjuntos de datos y capacitar a sus modelos. Finalmente, aprenderá sobre un pipeline efectivo para ayudarlo a construir un proyecto desde cero.

Descripción

> Módulo 1. Introducción al aprendizaje automático con scikit-learn

Una breve introducción al aprendizaje automático.

¿Qué es scikit-learn?

Instalar scikit-learn

Algoritmos que aprenderá a implementar usando scikit-learn

 

> Módulo 2. Predicción con K-nearest

Preparación de un conjunto de datos para el aprendizaje automático con scikit-learn

El algoritmo k-NN

Implementación del algoritmo k-NN usando scikit-learn

Afinando los parámetros del algoritmo k-NN

Escalado para un rendimiento optimizado

 

> Módulo 3. Predicción con regresión logística

Comprender matemáticamente la regresión logística

Implementación de regresión logística usando scikit-learn

Afinando los hiperparámetros

Escalando los datos

Interpretar el modelo de regresión logística.

 

> Módulo 4. Predicción con Naive Bayes and SVMs

El algoritmo Naive Bayes

Soporte de máquinas vectoriales

 

> Módulo 5. Predicción con regresión lineal

La mecánica interna del algoritmo de regresión lineal.

Implementando regresión lineal en scikit-learn

Modelo de optimización

 

> Módulo 6. Clasificación y regresión con árboles

Árboles de clasificación

Árboles de regresión

Clasificador de conjunto

 

> Módulo 7. Agrupación de datos con aprendizaje automático no supervisado

El algoritmo k-means

Implementación del algoritmo k-means en scikit-learn

Característica de ingeniería para la optimización

Visualización de clúster

Pasar del aprendizaje no supervisado al supervisado

 

> Módulo 8. Métodos de evaluación del desempeño

¿Por qué es crítica la evaluación del desempeño?

Evaluación de desempeño para algoritmos de clasificación

Evaluación de desempeño para algoritmos de regresión

Evaluación de desempeño para algoritmos no supervisados

¿Qué aprenderé?

  • Trabajar con todos los algoritmos de aprendizaje automático de scikit-learn
  • Instalar y configurar scikit-learn para construir su primer modelo de aprendizaje automático
  • Emplear algoritmos de aprendizaje automático no supervisados para agrupar datos no etiquetados en grupos
  • Realizar el aprendizaje automático de clasificación y regresión
  • Usar un pipe efectivo para construir un proyecto de machine learning desde cero
$8,584.00

Materiales incluidos

  • Material de apoyo digital
  • Certificado de finalización
  • Grabación de las clases en vivo
  • NFT de finalización del curso (próximamente)

Requisitos

  • Computadora con sistema operativo Windows, Mac OS o Linux
  • Conexión estable a internet
  • Cámara y micrófono
  • Actitud de participación

Audiencia objetivo

  • Desarrolladores, Analistas de datos, Científicos de Datos, y público en general con experiencia previa programando con Python por lo menos a nivel intermedio/avanzado y bases sólidas de Álgebra Lineal, Matemáticas discretas, Probabilidad y Estadística, con interés en aprender a usar este lenguaje para realizar aplicaciones de Machine Learning.