Máster de especialista en Ciencia de Datos con Python
Date:
Acceda a un cupón de descuento aquí
Descripción
Máster de especialista en Ciencia de Datos con Python.
Aprenda a desarrolar proyectos de Machine Learning y Deep Learning con Python. Data Science de básico a Experto.
Instructor: PhD. Manuel Castillo.
Calificación: ⭐⭐⭐⭐⭐
Descripción del Curso:
El curso de “Máster de especialista en Ciencia de Datos con Python” tiene dos bloques principales de estudio:
El primer bloque se centra en un subcampo específico de aprendizaje automático llamado modelado predictivo y clustering. Este es el campo del aprendizaje automático que es el más útil en la industria y el cual se utilizar la librería de aprendizaje automático scikit-learn en Python por su gran rendimiento y facilidad en su uso.
A diferencia del campo más amplio del aprendizaje automático que podría utilizarse con datos en cualquier formato, el modelado predictivo y clustering se centra principalmente en datos tabulares, llamados técnicamente Tidy Data (por ejemplo, tablas de números como en una hoja de cálculo).
El segundo bloque se centra en el aprendizaje profundo. En este curso trataremos la librería Keras de Python para Deep Learning y cómo usarla para desarrollar y evaluar modelos de Deep Learning. En este curso, descubriremos las técnicas, código y habilidades de Deep Learning que luego puede llevar a sus propios proyectos de Machine Learning.
La librería Keras envuelve la complejidad de la computación numérica de Theano y TensorFlow proporcionando una API concisa que usaremos para desarrollar nuestra propia red neuronal y modelos Deep Learning. Además, trataremos las habilidades de Deep Learning para llevar esta nueva tecnología asombrosa a nuestros propios proyectos.
Contenidos del Curso:
- MÓDULO I. Introducción.
- Conceptos básicos de machine learning.
- Jupyter Notebook como nuestro entorno de machine learning.
- Curso rápido de Python.
- MÓDULO II. Análisis de datos
- Cargar un conjunto de datos.
- Estadística descriptiva.
- Visualización de datos.
- Taller: Trabajo de aplicación de diferentes técnicas analíticas de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.
- Examen tipo test sobre los contenidos del módulo.
- MODULO III. Preprocesamiento de datos
- Análisis exploratorio de datos.
- Preprocesamiento de datos.
- Métodos de remuestreo para estimar la precisión del modelo.
- Taller: Trabajo de aplicación de diferentes técnicas de análisis y procesamiento de datos de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.
- Examen tipo test sobre los contenidos del módulo.
- MÓDULO IV. Fase de tratamiento de datos
- Evaluación de las métricas.
- Feature Selection.
- Feature Importance.
- Reducción de dimensiones en un dataset.
- Taller: Aplicación de diferentes técnicas de tratamiento de datos en un conjunto de datos y verificación de su impacto en las métricas algorítmicas.
- Examen tipo test sobre los contenidos del módulo.
- MÓDULO V. Fase de modelado
- Algoritmos de Machine Learning.
- Rendimiento de los algoritmos.
- Algoritmos Ensamblados
- Algoritmo “Super Lerner”
- Taller: Aplicación de diferentes algoritmos de machine learning en un conjunto de datos e interpretar la salida obtenida, así mismo, verificar el algoritmo que tenga mejor comportamiento.
- Examen tipo test sobre los contenidos del módulo.
- MÓDULO VI. Redes Neuronales.
- Curso sobre Multilayer Perceptron
- Redes Feed Forward
- Desarrollar nuestra primera red neuronal con Keras.
- Evaluar el rendimiento de los modelos.
- Proyecto: Problema de clasificación multiclase.
- Proyecto: Problema de regresión.
- MODULO VII. Redes Neuronales Avanzadas
- Guardar modelos para hacer predicciones.
- Mantener puntos de control en el entrenamiento de los modelos.
- Comprender el comportamiento del modelo durante el entrenamiento trazando el historial.
- Reducir el sobreajuste con la regularización Dropout.
- Optimizar el rendimiento con una planificación basada en la tasa de aprendizaje.
- MÓDULO VIII. Redes Neuronales Convolucionales
- Curso intensivo en redes neuronales convolucionales.
- Optimizar el rendimiento del modelo con Data Augmentation.
- Proyecto: Reconocimiento de dígitos manuscritos.
- Proyecto: Reconocimiento de objetos en fotografías.
- Proyecto: Clasificación de opiniones en revisión de películas.
- MÓDULO IX. Redes Neuronales Recurrentes
- Curso intensivo en redes neuronales recurrentes.
- Modelos de perceptrones multicapa para problemas de series de tiempo.
- Modelos LSTM para problemas de series temporales.
- Proyecto: Clasificación secuencial de reseñas de películas.
- Proyecto: Generación de texto.