Machine Learning con Python (Programa detallado)

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.

Requisitos:

No son necesarios, únicamente ganas de aprender una materia con enorme potencial.

Programa 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.

Contenido

  1. Introducción al Machine Learning
    1. ¿Qué es el Machine Learning y la Ciencia de Datos?
    2. Machine Learning, Inteligencia Artificial y Deep Learning
    3. Tipos de Machine Learning
    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.

Contenido

  1. Introducción a Python
    1. Instalación Python + Jupyter
    2. Conceptos básicos de Python
    3. Introducción a las librerías: Numpy
    4. Introducción a las librerías: Pandas
    5. Introducción a las librerías: Matplotlib
    6. Librería Machine Learning Scikit-Learn
    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.

Contenido

  1. Machine Learning - Clasificación
    1. ¿Qué es y qué problemas resuelven un modelo de CLASIFICACIÓN?
    2. Algoritmos Machine Learning para CLASIFICACIÓN (Decision Tree, SVM, Naive Bayes, Logistic Regression. KNN)
    3. Explicación paso a paso con Scikit-Learn - Caso Práctico Clasificación
    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.

Contenido

  1. Machine Learning - Regresión
    1. ¿Qué es y qué problemas resuelven un modelo de REGRESIÓN?
    2. Algoritmo Machine Learning Regresión Lineal
    3. Explicación paso a paso con Scikit-Learn - Caso Práctico REGRESIÓN
    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. 

Contenido

  1. Machine Learning - Clustering
    1. ¿Qué es y qué problemas resuelven un modelo de CLUSTERING?
    2. Algoritmo Machine Learning K-Means
    3. Explicación paso a paso con Scikit-Learn - Caso Práctico CLUSTERING
    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.

Contenido

  1. Machine Learning - Reglas de Asociación
    1. ¿Qué es y qué problemas resuelven un modelo de REGLAS DE ASOCIACIÓN?
    2. Algoritmo Reglas de Asociación - "Apriori"
    3. Explicación paso a paso - Caso Práctico Reglas de Asociación
    4. Resumen