Programa de Machine Learning Práctico con Python

En primer lugar, el Machine Learning gana relevancia y muchas empresas deciden que es vital para su estrategia. Sin embargo, la falta de personal con experiencia en el área hace que muchos desarrolladores tengan que aprender Machine Learning sobre la marcha, y por lo tanto, no siempre pueden elegir las herramientas correctas.

En segundo lugar, Python es un lenguaje cómodo y fácil de aprender, y cuenta con gran número de librerías de código libre que cubren casi el 100% de las necesidades de cualquier desarrollador que se especialice en Machine Learning.

Además, este curso está planteado de forma modular, con el fin de dar una introducción práctica a los alumnos con el fin de aprender las diferentes técnicas que existen en Machine Learning y su aplicación con librerías específicas para ello en Python.

Los objetivos de esta formación son:

1. Introducir las principales librerías que podemos encontrar en Python para tratamiento y visualización de datos
2. Dar a conocer los principales algoritmos para resolver problemas de Machine Learning.
3. Introducir desde un perspectiva teórico-práctica técnicas de Machine Learning utilizando el módulo Scikit-learn en Python

Temario

Inicio al Machine Learning

• Introducción al aprendizaje automático
• Definición y flujo de un proceso de Machine Learning
• Tipos de aprendizaje automático
• Aprendizaje supervisado vs no supervisado
• Problema del sobreentrenamiento

Ecosistema de librerías básicas en proyectos Machine Learning

• Librerías de Python para proyectos de Data Science
  • Numpy
  • Pandas
  • Scipy
• Introducción y despliegue de Anaconda
• Python desde CLI
• IDEs: PyCharm, Spyder
• Notebooks: Jupyter
• Manipulación de Datasets
  • Importación y exportación (CSV, JSON, XLS y otros formatos)
  • Conexiones a bases de datos
  • Ordenando y filtrando datos
  • Unión de datos
  • Operaciones de agregación
  • Funciones lambda
  • Estadísticas básicas
  • Tratamiento de missings
  • Normalización y estandarización
  • Reducción dimensional
  • Conceptos de pivoting
• Librerías de visualización de datos con Python: Matplotlib, Bokeh, Seabron y QGrid

Machine Learning práctico con Scikit-Learn 

• Introducción a scikit-learn
• Datasets sklearn
• Métricas para evaluar la precisión
• Algoritmos de Machine Learning en scikit-learn
• Introducción a métodos de selección de variables y performance
  • Hands-On Python: Feature-Selection
  • Hands-On Python: Cross-Validation
  • Hands-On Python: Optimización
  • Hands-On Python: Dimensionality reduction
• Introducción a modelos supervisados para problemas de regresión:
  • Ajuste por mínimos cuadrados: Ridge, Lasso, Elastic Net.
    • Hands-On Python : Regresión
  • Introducción a modelos supervisados para problemas de clasificación:
    • Regresión logística
      • Hands-On Python : Clasificación
    • Introducción a métodos Bayesianos
      • Hands-On Python: Gaussian Naive Bayes
    • Introducción a k-vecinos
• Introducción a máquinas de soporte vectorial (SVM)
  • Tipos: Clasificación y Regresión
  • Tipos de funciones Kernel
  • Consejos prácticos
  • Hands-On Python : SVC
  • Hands-On Python : SVR
• K-NN como algoritmo de clasificación supervisada
  • Hands-On Python : KNeighborsClassifier
• Introducción a los árboles de decisión
  • Tipos: Clasificación, Regresión
  • Consejos prácticos
  • Hands-On Python : DecissionTreeClassifier
  • Hands-On Python : DecissionTreeRegressor
• Introducción a Random Forest:
  • Hands-On Python: RandomForestClassifier
  • Hands-On Python: RandomForestRegressor
• Introducción a modelos combinados:
  • Hands-On Python: AdaBoostClassifier
  • Hands-On Python: AdaBoostRegressor
• Introducción a las redes neuronales (Keras)
  • Hands-On Python: MLP
  • Hands-On Python: Redes Neuronales Convolucionales
  • Hands-On Python: Redes Neuronales Recurrentes
  • Hands-On Python: Autoencoder
• Gradient Boosting algorithms
  • Hands-On Python: Librería XGBoost
  • Hands-On Python: GradientBoostingClassifier
  • Hands-On Python: GradientBoostingRegressor
• Introducción a modelos no supervisados:
  • Clustering: K-Means
• Caso práctico guiado: Kaggle

Casos prácticos

Durante los programas de aprendizaje de DevAcademy, los alumnos aplicarán la teoría con casos prácticos guiados por los profesores buscando adquirir el mayor aprendizaje durante las clases.

Además, los casos prácticos se orientarán al negocio. Por último, será posible proponer durante la formación algún tipo de set de datos el cual pueda ser analizado por el conjunto de los alumnos.

Fechas, horario y lugar

Actualmente no hay fechas disponibles. Mándanos un email para tenerte en lista y completer un grupo para poder organizarlo. En caso de ser empresa te ayudamos a organizarlo a medida para tus empleados o compañeros.

Responsabilidades profesor

El profesor presentará el contenido conforme lo presentado en el programa de formación y dará acceso al material necesario (PDFs, ejercicios, software, etcs) para el curso contratado.

Responsabilidades alumno

El asistente participará en la formación en el periodo determinado. Por otro lado, DevAcademy mandará un email previo a todos los alumnos con lo necesario.

Por último, será necesario que el alumno pueda disponer de los requisitos mínimos necesarios para la participación en la formación, siendo estos los siguientes:

• Es necesario tener instalada la distribución de Python de Anaconda, preferentemente la versión de Python3.
• Se usarán principalmente las librerias numpy, scipy, pandas, scikit-learn, xgboost, keras y optunity.
• Todos ellos se pueden instalar con conda (preferiblemente) o pip (en los casos en que no se pueda con conda).
• Es recomendable trabajar en un entorno Linux, pero Anaconda está disponible también para Mac y Windows.
• Se proporcionarán las slides del curso, junto con todo el código visto y todos los ejemplos completos.
• Poseer privilegios de administración

Observaciones importantes

Confirmaciones
Las confirmaciones serán enviadas a la dirección de e-mail enviada por el alumno

Cancelaciones
Los plazos para la cancelación de inscripciones solicitadas, son de 5 días laborales antes del inicio del curso.
Sin embargo, en caso de cancelación fuera de plazo por parte del alumno, DevAcademy se reserva el derecho a cobrar un porcentaje (20%) del valor del curso.
DevAcademy se reserva el derecho de cancelar o posponer la formación, siempre y cuando avise al contratante y/o devuelva el importe íntegro en caso de cancelación

Obligaciones del alumno
Es obligatorio que el alumno cumpla con todos las obligaciones recomendadas por el profesor para seguir todos los ejercicios y no demorar ni perjudicar la clase.

Además, es posible que días antes se envíe un email como recordatorio al alumno con instrucciones a seguir u obligaciones desarrollar para poder estar preparado al comienzo de la clase.

Por último, si quieres más información sobre los cursos, haz click aquí