Intensivo Data Science

1.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

2. Librerías de Python para proyectos de Data Science

• Numpy, Pandas, Scikit-learn, Tensorflow ,Keras y PyTorch
• Introducción y despliegue de Anaconda
• Python desde CLI
• IDEs: PyCharm, Spyder
• Notebooks: Jupyter

3. 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

4. Librerías de visualización de datos con Python: Matplotlib, Bokeh y Seabron

5. 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

6.Introducción a modelos supervisados para problemas de regresión

• Ajuste por mínimos cuadrados: Ridge, Lasso, Elastic Net.
• Hands-On Python : Regresión

7. Introducción a modelos supervisados para problemas de clasificación:

• Regresión logística
• Hands-On Python : Clasificación
• Introducción a k-vecinos

8. 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

9. Introducción a los árboles de decisión

• Tipos: Clasificación, Regresión
• Consejos prácticos
• Hands-On Python : DecissionTreeClassifier
• Hands-On Python : DecissionTreeRegressor

10. Introducción a los árboles de decisión

• Hands-On Python: RandomForestClassifier
• Hands-On Python: RandomForestRegressor

11. Introducción a modelos combinados:

• Hands-On Python: AdaBoostClassifier
• Hands-On Python: AdaBoostRegressor

12. Introducción a modelos de aprendizaje no supervisados:

• Clustering: K-Means

13. Gradient Boosting algorithms (XGBoost):

• Hands-On Python: Librería XGBoost
• Hands-On Python: GradientBoostingClassifier
• Hands-On Python: GradientBoostingRegressor
• Hands-On Python: Feature Selection con XGBoost
• Hands-On Python: Sobreentrenamiento
• Hands-On Python: Callbacks

14. Introducción a H2O:

• Hands-On Python: Classifier
• Hands-On Python: Regressor
• Hands-On Python: AutoML

15. Redes neuronales para aprendizaje supervisado (Keras y PyTorch)

• Hands-On Python: MLP
• Hands-On Python: Redes Neuronales Convolucionales
• Hands-On Python: Redes Neuronales Recurrentes
• Hands-On Python: Ajuste de parámetros
• Hands-On Python: Sobreentrenamiento
• Hands-On Python: Callbacks

16. Redes neuronales para aprendizaje no supervisados (Keras y PyTorch):

• Hands-On Python: Self Organizing Maps
• Boltzmann Machine: Self Organizing Maps
• Hands-On Python: Autoencoder

Caso práctico guiado 1: Problema de regresión.

Caso práctico guiado 2: Clasificación de imágenes.