Los ordenadores pueden aprender y prueba de ello es el Machine Learning. Esta herramienta nació del reconocimiento de patrones, pero hoy en día nos permite desarrollar aplicaciones que mejoran su rendimiento, “aprendiendo” a partir de datos recopilados en situaciones pasadas. En su desarrollo se usa Python, un lenguaje de programación sencillo, veloz y versátil.
Descubre con nosotros el lenguaje que recomienda aprender el 63% de los programadores y especialízate en una de las grandes áreas de la revolución tecnológica de nuestro tiempo, el Machine Learning.
Si quieres cambiar tu futuro, Welcome to Tokio.
OBJETIVOS DEL CURSO:
- Utilizar la sintaxis del lenguaje Python e implementarla en diversos proyectos.
- Realizar una aplicación práctica del Machine Learning con la librería Scikit-learn y el resto de librerías numéricas de Python.
- Explicar el comportamiento de los diferentes algoritmos ante varias condiciones y en función de sus hyper-parámetros.
- Aplicar Machine Learning en proyectos reales incluyendo la preparación y las tareas relacionadas necesarias, el despliegue en producción y el ciclo de vida de un modelo.
- Asentar las bases matemáticas, algorítmicas y de software necesarias para que puedan avanzar en el aprendizaje de otras áreas basadas en el ML.
SALIDAS PROFESIONALES
Con nuestra especialización de Machine Learning saldrás preparado para las profesiones más innovadoras:
- Machine Learning Scientist
- Data Scientist
- Model Integrator
PLAN DE ESTUDIOS
TEMARIO
MÓDULO I. INTRODUCCIÓN AL MACHINE LEARNING
Tema 1: Introducción al Big Data y Machine Learning
- Breve repaso del algebra lineal
Tema 2: Entorno de trabajo: VM
Tema 3: Jupyter
Tema 4: Librerias numéricas de Python
- Numpy
- Pandas
- Matplotlib
Tema 5: Introducción a Scikit-learn
MÓDULO II. APRENDIZAJE SUPERVISADO
Tema 1: Regresión lineal
- Simple
- Multivariable
Tema 2: Optimización por descenso de gradiente
Tema 3: Normalización
Tema 4: Regularización
Tema 5: Validación cruzada
Tema 6: Teorema de Bayes
Tema 7: Clasificación por árboles de decisión
Tema 8: Regresión logística / clasificación
Tema 9: Clasificación por SVM (Support Vector Machines)
Tema 10: Introducción a las redes neuronales
MÓDULO III. APRENDIZAJE NO SUPERVISADO
Tema 2: Agrupación
- K-means y otros algoritmos
MÓDULO IV. APRENDIZAJE REFORZADO
Tema 2: Sistemas de recomendación
Tema 3: Algoritmos genéticos
MÓDULO V. DESARROLLO DE SISTEMAS DE APRENDIZAJE AUTOMÁTICO
Tema 2: Análisis de Componentes Principales (“PCA”)
Tema 3: Ensamblajes
Tema 4: Planteamiento de sistemas de ML
Tema 5: Evaluación y mejora de modelos
Tema 6: Operaciones en ML
PROYECTO FINAL
MATERIAL COMPLEMENTARIO
- Formación en idiomas
