INFÓRMATE
SIN COMPROMISO
¿Cómo te gustaría recibir la información?
¿Cuándo prefieres que te contactemos?
Informática

Curso de Machine Learning en Python

Aprende analítica de datos y aprendizaje de máquinas en Python con nuestro curso online

Matrícula abierta
Título propio

Título expedido por Universidad San Jorge

Presentación

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!

Requisitos de acceso

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.
 

Temario

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.