Curso de Machine Learning y Data Science con Python

TEMARIO

Módulo 1: Introducción a Machine Learning

¿Qué es Machine Learning
Diferencias con la Programación Tradicional
Aplicaciones de Machine Learning
Tipos de Aprendizaje AutomáticoAprendizaje Supervisado
Aprendizaje No Supervisado
Aprendizaje Por Refuerzo
Fases para el Desarrollo de un modelo de Machine Learning

Módulo 2: Librerías de Python

Instalación de Framework Anaconda
Sintaxis de python y funciones principales
Tipos de Estructura de Datos (Arreglos, Matrices, Diccionarios, DataFrames
Análisis de Datos con Numpy
Análisis de Datos con Pandas

Módulo 3: Entendimiento y preparación de los datos

Conceptos Claves
Análisis Exploratorio de Datos
Tratamiento de valores Nulos
Tratamiento de Valores Atípicos
Feature Engineering

Módulo 4: Selección de Variables y balanceo de datos

Balanceo de DatosOversampling
Undersampling
SMOT
Técnicas de selección de variables
Análisis de componentes principales: PC
Selección de muestras de entrenamiento y validación

Módulo 5: Construcción y evaluación de modelos

Aprendizaje SupervisadoModelo de Regresión (Lineal y Logístico)
Vecinos más Cercanos (Knn)
Naive Bayes
Máquina de Soporte Vectorial (SVM)
Árboles de Decisión
Redes Neuronales
Aprendizaje No Supervisad
K-Mean
K-Prototype
K-Mode
Validación de Modelo
Trad-off Varianza/Sesg
Métricas de Evaluación para Clasificación
Métricas de Evaluación para Regresión
Cross Validation
Optimización de Modelos

Módulo 6: Técnicas de Ensamblado de Modelos

BaggingRandom Forest
ExtraTrees
BoostingAdaBoost
XGBoost
LightGBM
Stacking

Módulo 7: Visualización de Datos

Uso de Matplotlib
Uso de Plotly

Conocimientos sólidos en Python

• Centro de Capacitación de Sicos Informática - La Plata | 17 Nº 923 entre 50 y 51