Machine Learning gana relevancia y muchas empresas deciden que es vital para su estrategia para optimizar sus resultados corporativos. 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.

Scikit-learn (anteriormente scikits.learn) es una biblioteca para aprendizaje de máquina de software libre para el lenguaje de programación Python. Esta biblioteca incluye varios algoritmos de clasificación, regresión y análisis de grupos entre los cuales están máquinas de vectores de soporte, bosques aleatorios, Gradient boosting, K-means y DBSCAN. Está diseñada para interoperar con otras famosas bibliotecas numéricas y científicas NumPy y SciPy.

DevAcademy, consciente de la demanda del sector empresarial en perfiles con conocimientos de Machine Learning, compone un programa que busca formar a perfiles desarrolladores en una de las herramientas más usadas del mundo del DataScience con uno de los lenguajes más sencillos y potentes del mercado: 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

Machine Learning práctico con Scikit-Learn 

• Introducción y despliegue de entorno de pruebas
  • Numpy
  • Pandas
  • Anaconda
  • Jupyter
• Operaciones básicas de manipulación de Datasets
• Introducción a scikit-learn
• Datasets sklearn
• Métricas para evaluar modelos
• 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: 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 las redes neuronales (Keras)
  • Hands-On Python: MLP
  • Hands-On Python: Redes Neuronales Convolucionales
  • Hands-On Python: Redes Neuronales Recurrentes
• Gradient Boosting algorithms
  • Hands-On Python: GradientBoostingClassifier
  • Hands-On Python: GradientBoostingRegressor
• Introducción a modelos no supervisados:
  • Clustering: K-Means
• Combinación de modelos
  
• Optimización de hiperparámetros con Hyperopt
• Gestión de ciclo vida de modelos:
  • Registro y análisis de parámetros y métricas con MLflow.
  • Persistencia de modelos con MLflow
  • Despliegue de modelos con Flask y Docker
• 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

Los cursos de DevAcademy son en horario NO LABORAL los VIERNES (16hrs – 21hrs) y SÁBADOS (9hrs-14hrs), pensado para que puedan asistir aquellos que estén trabajando.

[NUEVA CONVOCATORIA] Fechas: 19,20,26 y 27 de Junio de 2020

El curso tendrá lugar en las aulas situadas en las instalaciones DevAcademy

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 y scikit-learn
• 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