Curso de Machine Learning en Python
Aprende analítica de datos y aprendizaje de máquinas en Python con nuestro curso online
Aprende analítica de datos y aprendizaje de máquinas en Python con nuestro curso online
Hoy en día se dispone en las administraciones y en las empresas de gran cantidad de datos de todo tipo, que van desde datos de tipo sociológico (carácter, gustos, actitudes, aptitudes, estados de ánimo, tendencias, etc.), datos biomédicos (detección de enfermedades, genética, virología, etc.), datos financieros, empresariales y datos industriales. Para extraer información de los datos y determinar sus características, así como para poder hacer predicciones futuras con datos actuales se usa la analítica de datos y las técnicas de aprendizaje de máquinas. SEAS imparte el Curso de Machine Learning en Python para que aprendas a utilizar estrategias de aprendizaje de forma autónoma para su aplicación en las tecnologías de analítica y aprendizaje de máquinas, utilizando el lenguaje de programación Python.
La adquisición de datos crece exponencialmente, por lo que en un futuro próximo se prevé que se vaya a disponer de una cantidad ingente de datos (Big Data) y se va a requerir de personal técnico especializado en su tratamiento. Formarse en estas nuevas tecnologías es garantía de éxito profesional debido a que las aplicaciones de la analítica de datos y el aprendizaje de máquinas se usa actualmente en la mayoría de las disciplinas: sociales, finanzas, economía de empresas, biología, ingeniería, etc.
Deja tus datos en el formulario y contactaremos contigo para darte todos los detalles de nuestra formación en machine learning con python. ¡Te informamos sin compromiso!
LOS DATOS, FUENTES DE DATOS Y EXTRACCIÓN
Tipos básicos de datos. Tipos de datos compuestos. Fuentes de datos.
TEORÍA DE PROBABILIDADES Y ESTADÍSTICA
Bases de la teoría de la probabilidad. Parámetros centrales, de dispersión y de forma de las variables aleatorias discretas. Distribuciones. Variables aleatorias multidimensionales. Introducción a la estadística. Apéndice. Otras distribuciones.
REPRESENTACIÓN DE DATOS CON SEABORN
Tipos de datos en aprendizaje de máquinas. Repaso de conceptos de Matplotlib. Combinación de funciones de Matplotlib y de Seaborn. Funciones a nivel de ejes y a nivel de figura en Seaborn. Gráficas de dispersión. Gráficas de funciones del tiempo. Agregación y representación de la incertidumbre. Trazado de subconjuntos de datos con mapeos semánticos. Figuras con gráficas múltiples relacionadas con facetas. Datos categóricos. Diagramas de caja usando Seaborn. Representaciones en violín. Diagramas de barra. Representación de la distribución de una variable. Estimación de la densidad del núcleo. Representación de distribuciones de dos variables. Representación de relaciones entre pares de variables. Representación de relaciones entre variables.
PROCESADO DE DATOS
Librerías de interés en preprocesado de datos. La librería Scikit-learn. Limpieza de datos. Normalización y escalado. Extracción y selección de características.
BASES DEL MODELADO DE DATOS Y DEL APRENDIZAJE
Aprendizaje de máquinas. El modelado de los datos. Clasificación de los algoritmos de aprendizaje. Conjuntos de entrenamiento, validación y prueba. Análisis de errores. Función de pérdida. Validación cruzada. Sobreajuste, infraajuste y regularización. Métricas en Scikit-learn. Clases desequilibradas. Matriz de confusión. Tipos de modelos. La librería Scikit-learn en aprendizaje.
ALGORITMOS SUPERVISADOS (I). REGRESIÓN Y MÁQUINAS DE VECTORES SOPORTE
Parte I. Regresión. Parte II. Máquinas de vectores soporte.
APRENDIZAJE SUPERVISADO (II). REDES NEURONALES
Las neuronas biológicas. Aplicaciones de las redes neuronales. Las neuronas artificiales. El perceptrón lineal. Transformación de un problema no lineal en uno lineal. Redes neuronales artificiales. El perceptrón multicapa. Teoría de aproximación universal. Implementación de las redes neuronales con Scikit-learn. Clasificación multiclase (cuatro clases) con perceptrón multicapa.
SISTEMAS DE APRENDIZAJE NO SUPERVISADA: AGRUPAMIENTOS
Tipos de clustering. El algoritmo K-means. El algoritmo kmeans de la librería sklearn. K vecinos más próximos. Variantes del algoritmo básico. DBSCAN. Uso del módulo scipy en clustering.
El equipo docente de SEAS está compuesto por profesionales del sector en activo, con una preparación específica para la impartición de sus asignaturas en formato online, que conocen la realidad de las necesidades de las empresas actuales.
Compuesto por coordinadores, tutores y profesores especializados en los sectores de estudio, sentirás su acompañamiento durante tu formación en SEAS.
Ingeniero en Informática. Máster Oficial en Ingeniería de Seguridad de la Información y las Comunicaciones. Especialista en desarrollo de aplicaciones informáticas para proyectos destinados a la implantación de Industria 4.0 en fabricantes y usuarios de maquinaria industrial. Experto en programación en C++, Python, Java y PHP entre otros. Desarrollo de back-end y front-end para aplicaciones web en Java, Python y Angular. Bases de datos Mongo y MySql.
- Prácticas garantizadas * en empresa y acceso permanente a bolsa de empleo
- Formarás parte de la comunidad Alumni SEAS que te permite tener los materiales siempre actualizados, el contacto con más de 50.000 exalumnos y otras muchas ventajas
- Formación bonificable para trabajadores a través de Fundae: Fundación Estatal para la Formación en el Empleo
- Clases en directo a través de Webinars
Con el Curso de Machine Learning en Python podrás:
- Conocer la importancia de los datos en la sociedad actual y los métodos fundamentales de su obtención a partir de distintas fuentes de datos.
- Conocer las bases estadísticas de caracterización de los conjuntos de datos.
- Aprender a realizar representaciones gráficas de los datos y de sus características estadísticas.
- Conocer el procesado de los datos para su aplicación en aprendizaje automático.
- Conocer los modelos, el aprendizaje y la forma de realizar el aprendizaje.
- Conocer los modelos y métodos de aprendizaje supervisado.
- Conocer los modelos y métodos de aprendizaje no supervisado.
- Analista de datos con Python
- Ténico de machine learning
Una vez superado el programa con éxito, recibirás el título universitario propio en Curso de Machine Learning en Python, expedido directamente por Universidad San Jorge, con 6 créditos europeos ECTS.
Para acceder a uno de nuestros cursos se debe cumplir alguno de los siguientes requisitos:
- Ser mayor de 18 años.
Se expide el título de Curso indicando el contenido, duración en horas del estudio y créditos ECTS otorgados.