Udemy
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
Development
Web Development Data Science Mobile Development Programming Languages Game Development Database Design & Development Software Testing Software Engineering Development Tools No-Code Development
Business
Entrepreneurship Communications Management Sales Business Strategy Operations Project Management Business Law Business Analytics & Intelligence Human Resources Industry E-Commerce Media Real Estate Other Business
Finance & Accounting
Accounting & Bookkeeping Compliance Cryptocurrency & Blockchain Economics Finance Finance Cert & Exam Prep Financial Modeling & Analysis Investing & Trading Money Management Tools Taxes Other Finance & Accounting
IT & Software
IT Certification Network & Security Hardware Operating Systems Other IT & Software
Office Productivity
Microsoft Apple Google SAP Oracle Other Office Productivity
Personal Development
Personal Transformation Personal Productivity Leadership Career Development Parenting & Relationships Happiness Esoteric Practices Religion & Spirituality Personal Brand Building Creativity Influence Self Esteem & Confidence Stress Management Memory & Study Skills Motivation Other Personal Development
Design
Web Design Graphic Design & Illustration Design Tools User Experience Design Game Design Design Thinking 3D & Animation Fashion Design Architectural Design Interior Design Other Design
Marketing
Digital Marketing Search Engine Optimization Social Media Marketing Branding Marketing Fundamentals Marketing Analytics & Automation Public Relations Advertising Video & Mobile Marketing Content Marketing Growth Hacking Affiliate Marketing Product Marketing Other Marketing
Lifestyle
Arts & Crafts Beauty & Makeup Esoteric Practices Food & Beverage Gaming Home Improvement Pet Care & Training Travel Other Lifestyle
Photography & Video
Digital Photography Photography Portrait Photography Photography Tools Commercial Photography Video Design Other Photography & Video
Health & Fitness
Fitness General Health Sports Nutrition Yoga Mental Health Dieting Self Defense Safety & First Aid Dance Meditation Other Health & Fitness
Music
Instruments Music Production Music Fundamentals Vocal Music Techniques Music Software Other Music
Teaching & Academics
Engineering Humanities Math Science Online Education Social Science Language Teacher Training Test Prep Other Teaching & Academics
AWS Certification Microsoft Certification AWS Certified Solutions Architect - Associate AWS Certified Cloud Practitioner CompTIA A+ Cisco CCNA Amazon AWS CompTIA Security+ AWS Certified Developer - Associate
Graphic Design Photoshop Adobe Illustrator Drawing Digital Painting InDesign Character Design Canva Figure Drawing
Life Coach Training Neuro-Linguistic Programming Personal Development Mindfulness Meditation Personal Transformation Life Purpose Emotional Intelligence Neuroscience
Web Development JavaScript React CSS Angular PHP WordPress Node.Js Python
Google Flutter Android Development iOS Development Swift React Native Dart Programming Language Mobile Development Kotlin SwiftUI
Digital Marketing Google Ads (Adwords) Social Media Marketing Google Ads (AdWords) Certification Marketing Strategy Internet Marketing YouTube Marketing Email Marketing Google Analytics
SQL Microsoft Power BI Tableau Business Analysis Business Intelligence MySQL Data Modeling Data Analysis Big Data
Business Fundamentals Entrepreneurship Fundamentals Business Strategy Online Business Business Plan Startup Blogging Freelancing Home Business
Unity Game Development Fundamentals Unreal Engine C# 3D Game Development C++ 2D Game Development Unreal Engine Blueprints Blender
2021-02-12 20:43:46
30-Day Money-Back Guarantee
Development Data Science Python

Machine Learning con Python. Aprendizaje Automático Avanzado

Aprendizaje Automático Scikit-Learn en Python. Modelos Predictivos. Data Science. De básico a Experto.
Rating: 4.0 out of 54.0 (33 ratings)
304 students
Created by Álvaro García, PhD. Manuel Castillo-Cara, Formación Certificada
Last updated 2/2021
Spanish
Spanish [Auto]
30-Day Money-Back Guarantee

What you'll learn

  • Aplicar técnicas de análisis y visualización de datos en un conjunto de datos complejo para problemas de machine learning.
  • Aplicar técnicas de tratamiento de datos en un conjunto de datos para mejorar la robustez y métrica de salida de los diferentes algoritmos de machine learning.
  • Comprender los diferentes mecanismos y técnicas para aplicar analítica predictiva en problemas de machine learning e interpretar la salida obtenida por los modelos de predicción.
  • Comprender y analizar la fase del análisis de datos previos al modelado algorítmico en machine learning.
  • Realizar modelos algorítmicos robustos con una optimización de sus hiperparámetros para la fase de predicción
  • Desarrollar y analizar proyectos de machine learning como regresión, clasificación y multiclase.
  • Utilizar librerías específicas de Python como scikit-learn para trabajos de Machine Learning
  • Desarrollar y analizar proyectos de machine learning, Aprendizaje Supervisado, como regresión, clasificación y multiclase.
  • Desarrollar y analizar proyectos de machine learning de Aprendizaje No Supervisado
  • Al acceder a este curso formarás parte de una comunidad educativa especializada en la materia, que te dará soporte, recursos y asesoramiento de por vida.
Curated for the Udemy for Business collection

Course content

11 sections • 150 lectures • 30h 58m total length

  • Preview09:42
  • Introducción al Curso de Machine learning con Python.
    00:59
  • Uso de la Plataforma Udemy. Consejos para sacar el máximo partido a la web.
    22:45
  • Consejos y Recomendaciones para Usuarios de Udemy.
    11:55
  • Estructura del Curso que vas a Comenzar.
    06:28
  • ¡Preséntate!
    02:18
  • ¡Recibe un curso Gratis!
    00:14
  • Para saber más
    00:03

  • Introducción al Machine Learning con Python
    00:36
  • Sesión de Teoría - Cómo trabajar el curso
    19:38
  • Preview13:30
  • Herramientas de trabajo
    14:32
  • Extra - Tutorial Jupyter
    04:12
  • Python para Modelado predictivo
    06:58
  • Python - Asignaciones.
    05:44
  • Python - Control de flujo.
    05:50
  • Python - Estructuras de datos.
    10:37
  • Python - Curso de NumPy.
    09:21
  • Python - Curso de Matplotlib.
    05:12
  • Python - Curso de Pandas.
    08:09
  • Para saber más
    00:03

  • Preview00:40
  • Sesión de teoría - Fuentes de Datos
    34:00
  • Sesión de Teoría - Estadística Descriptiva
    22:45
  • Sesión de Teoría - Visualización de Datos
    20:22
  • Tidy Data
    13:21
  • Cargar un conjunto de datos
    12:44
  • Entender nuestros datos
    14:32
  • Función Head() y Propiedades shape y dtypes
    07:16
  • Funciones Describe() y groupby(’class’).size()
    08:42
  • Corr() y skew()
    07:02
  • Histogramas
    11:27
  • Diagrama de Densidad y Boxplot.
    09:39
  • Matriz de correlación y dispersión
    10:34
  • Dispersión y Boxplot por clase
    10:08
  • Extra: Convertir características de string a numérico
    00:13
  • Para saber más.
    00:03
  • Cuestionario de la Unidad
    10 questions

  • Preprocesamiento de datos
    00:38
  • Sesión de Teoría - Preprocesamiento de datos
    20:42
  • Sesión de Teoría - Métodos de transformación de datos
    17:56
  • Sesión de Teoría - Métodos de remuestreo
    21:05
  • Análisis Exploratorio de Datos
    07:59
  • Información básica
    14:21
  • Cargar un segundo dataset.
    16:31
  • Detección y análisis de outliers
    15:10
  • Preprocesamiento de datos.
    11:27
  • Escalamiento y estandarización
    08:27
  • Normalización y Binarización
    05:06
  • Preview17:49
  • Métodos de remuestreo
    07:03
  • Validación cruzada.
    11:45
  • División por porcentaje
    09:18
  • Para saber más.
    00:03
  • Cuestionario de la Unidad
    10 questions

  • Fase de tratamiento de datos
    00:45
  • Sesión de Teoría - Evaluación de métricas
    50:04
  • Sesión de Teoría - Feature Selection
    23:31
  • Sesión de Teoría - Feature Importance
    21:07
  • Sesión de Teoría - Reducción de dimensiones (PCA)
    05:25
  • Evaluación de algoritmos
    09:13
  • Métricas Accuracy y Kappa
    19:12
  • Métricas ROC y Matriz de confusión
    10:32
  • Reporte de clasificación
    11:30
  • Métrica MAE
    10:22
  • Métricas MSE y R2
    10:29
  • Feature selection
    14:38
  • Correlación entre características
    16:54
  • Backward y Univariable
    08:11
  • RFE
    06:20
  • Decision y Extra Trees
    24:26
  • Random Forest
    16:10
  • LASSO
    08:55
  • Reducción de dimensiones con PCA
    09:53
  • Para saber más.
    00:03
  • Cuestionario de la Unidad
    10 questions

  • Fase de Modelado.
    00:35
  • Sesión de teoría - Algoritmos de Machine Learning
    24:37
  • Sesión de Teoría - Algoritmos de Taxonomía lineal
    18:42
  • Sesión de Teoría - Algoritmos de Taxonomía no lineal
    29:04
  • Sesión de Teoría - Algoritmos Ensemble
    21:42
  • Algoritmos de machine learning
    07:58
  • Algoritmos lineales - Regresión
    08:52
  • Algoritmos lineales - Clasificación
    07:58
  • Algoritmos No lineales - Clasificación
    16:55
  • Algoritmos No lineales - Regresión
    09:42
  • Comparación de Algoritmos - Simple
    12:50
  • Comparación de Algoritmos - Visualización
    05:10
  • Algoritmos de conjunto
    07:38
  • Preview08:32
  • Boosting
    05:20
  • Voting
    07:03
  • Algoritmo Super Lerner [Teoría]
    12:02
  • Algoritmo Super Lerner [Práctica]
    29:46
  • Para saber más.
    00:03
  • Cuestionario de la Unidad
    10 questions

  • Fase de optimización y forecasting
    00:46
  • Sesión de teoría - Background
    21:10
  • Sesión de teoría - Pipelines
    20:35
  • Sesión de teoría - Preprocesamiento Avanzado
    21:00
  • Sesión de teoría - Optimizaicón & Forecasting
    27:17
  • Pipeline
    09:09
  • FeatureUnion
    07:46
  • SimpleImputer
    15:51
  • SimpleImputer con Pipeline
    05:14
  • Escalamiento del target
    08:25
  • Escalamiento del target con YeoJohnson
    06:06
  • One-Hot Encoding
    18:08
  • Grid Search
    14:17
  • Random Search
    04:50
  • Pickle
    07:21
  • Joblib
    08:14
  • Para saber más.
    00:03
  • Cuestionario de la Unidad
    10 questions

  • Proyectos de Machine Learning
    00:31
  • Sesión de Teoría - Proyectos de Machine Learning
    23:31
  • Proyecto de Clasificación Multiclase
    09:13
  • Proyecto de Clasificación Binaria
    10:55
  • Proyecto de Regresión
    08:11
  • Para Saber Más.
    00:03

  • Aprendizaje No Supervisado [Materiales]
    00:19
  • Aprendizaje No Supervisado
    12:44
  • Algoritmos de clustering (I)
    12:32
  • Algoritmos de clustering (II)
    12:13
  • Implementación Algoritmos clustering (I)
    21:10
  • Implementación Algoritmos clustering (II)
    13:30
  • k-Means
    15:32
  • Clustering Jerárquico
    08:28
  • Métodos basado en densidad
    09:24
  • Determinar clusters
    13:52
  • Proyecto de Custering - Conjunto de datos
    15:46
  • Proyecto de Custering - Determinar número de clústers
    17:04
  • Proyecto de Custering - Algoritmo Agglomerative
    18:42
  • Proyecto de Custering - Algoritmo k-Means
    12:30
  • Proyecto de Custering - Algoritmo Mean Shift
    10:52
  • Reglas de Asociación
    08:44
  • Algoritmo Apriori
    16:38
  • Algortimos de aprendizaje no supervisado [Teoría]
    01:13:20
  • Algortimos de aprendizaje no supervisado [Práctica]
    35:18
  • Bibliografía
    00:11
  • Para saber más
    00:03

  • Extra: FS para datos categóricos
    08:01
  • Introducción a la dimensionalidad
    04:02
  • Reducción de dimensiones con PCA
    04:28
  • Reducción de dimensiones con SVD
    05:12
  • Qué es y cómo solucionar desblanceo entre clases
    10:59
  • Evaluación del desbalanceo de clase
    10:07

Requirements

  • Para la realización de este curso no ser requieren grandes conocimientos previos, ya que la formación se acomete desde un nivel de usuario 0.
  • Durante el curso trabajaremos con la última versión del programa, pero no te preocupes si tienes una versión anterior, ya que las distintas versiones difieren muy poco entre sí. Si existe algún cambio importante entre las distintas versiones hablaremos de ello durante la formación.
  • Para la realización de este curso no vas a necesitar el equipo informático más potente del mercado, ya que el software empleado en la formación se encuentra perfectamente optimizado y su uso es muy fluido en todo tipo de equipos, tanto en PC como en Mac.
  • Cuando compres el curso vas a poder acceder a las clases cuando y donde quieras. El curso se queda en tu cuenta de Udemy para siempre. :)
  • El más importante requisito para realizar este curso es el entusiasmo y la motivación por aprender nuevas habilidades que aumenten tus competencias profesionales.

Description

Machine Learning con Python. Aprendizaje Automático Avanzado

Aprendizaje Automático Scikit-Learn en Python. Modelos Predictivos. Data Science. De básico a Experto.

Instructores: PhD. Manuel Castillo y Arquitecto Álvaro García. Contenido Actualizado: Febrero 2021


Descripción del Curso:

El curso de “Machine Learning con Python” 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 de las estadísticas, donde los modelos se usan para comprender los datos, el modelado predictivo se enfoca en el desarrollo de modelos que hacen las predicciones más precisas a expensas de explicar por qué se hacen las predicciones.

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 curso  está dirigido a personas que tengan pocos conocimientos de machine learning, conocimientos intermedios del lenguaje de programación y que quieran adentrarse a este apasionante mundo de dentro del campo de modelado predictivo y clustering.

Además, el curso está diseñado para que cualquier estudiante universitario, investigador o tecnólogo que se encuentre realizando o necesite realizar diferentes experimentos a través de grandes conjuntos de datos para poder sintetizarlos en alguna salida predictiva puedan utilizar los muy diferentes recursos de machine learning que nos pone a nuestra disposición el lenguaje de programación.


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. Fase de optimización y forecasting

  • Pipelines.

  • Procesamiento de datos avanzado.

  • Configuración de hiperparámetros.

  • Guardado e integración del modelo.

  • Taller: Una vez seleccionados los algoritmos candidatos a modelo realizar una optimización de estos a través de la configuración de sus hiperparámetros.

  • Examen tipo test sobre los contenidos del módulo.

MÓDULO VII. Proyectos de machine learning

  • Trabajar un proyecto de clasificación multiclase

  • Trabajar un proyecto de regresión.

  • Trabajar un proyecto de clasificación binaria.

  • Proyecto: Realizar un proyecto completo analizando todas las fases estudiadas en los diferentes módulos.

MÓDULO VIII. Aprendizaje No Supervisado

  • Aprendizaje No supervisado.

  • Algoritmos de Aprendizaje No Supervisado.

  • Determinar el número óptimo de clústers.

  • Proyecto de Aprendizaje No Supervisado.

Características del Curso:

Recuerda que esta formación incluye lecciones en vídeo fullHD con audio de estudio (compatible con TV, PC, Mac, tablet y smartphone), artículos didácticos, actividades, proyectos paso a paso, recursos descargables, links de interés, acceso de por vida, certificado de finalización, tutorización online, y una exclusiva comunidad de aprendizaje privada que nos ayudamos aportando nuestras experiencias en el foro de comunicación del curso.

¿A qué esperas?, este curso es ideal para ti, atrévete a convertirte en un experto. Adelante, nos vemos dentro de la formación ;)

Who this course is for:

  • Aquellos usuarios del programa que quieran ampliar el dominio de mismo y conocer múltiples trucos, consejos y recursos para esta herramienta.
  • Principalmente aquellos que quieran aumentar sus posibilidades de empleabilidad, contratación y/o promocionar dentro de su sector.

Instructors

Álvaro García
Arquitecto & Diseñador Gráfico
Álvaro García
  • 4.3 Instructor Rating
  • 6,966 Reviews
  • 70,817 Students
  • 80 Courses

Arquitecto y Diseñador Gráfico especializado en la infoarquitectura y representación arquitectónica 3D con amplia experiencia en la formación de software para la arquitectura, interiorismo, urbanismo, diseño industrial, escenografías, paisajismo, visual merchandising, etc. 

Más de diez años de experiencia en la impartición de formaciones presenciales y online de SketchUp, Vray y PhotoShop para infoarquitectura. 

CEO de SketchupMadrid, portal de formación On Line, especializado en el aprendizaje de SketchUp, Plugins, VRay y PhotoShop para la representación gráfica de diseños varios.

PhD. Manuel Castillo-Cara
Doctor of Philosophy in Computer Science
PhD. Manuel Castillo-Cara
  • 4.2 Instructor Rating
  • 157 Reviews
  • 5,132 Students
  • 7 Courses

PhD in Computer Science (Pattern Recognition and data mining area) at Universidad de Castilla-La Mancha (Spain). Full-time professor at Computer Science and head of Smart Cities research laboratory in the CTIC - UNI at Universidad Nacional de Ingeniería from Perú. I currently conducting research projects with international funding in Smart Cities and agriculture areas. Experience in Wireless sensor Network and signal transmission, mobile phone applications and analysis/processing of data generated by WSN, making predictions with different machine learning techniques.


The research laboratory have projects as the prevention of gender violence, citizen and road safety which is creating an electronic shackle for smart indoor and outdoor localization, project financed by the Peruvian state and developing IoT platform making with ambiental sensors in two main goals, the WSN and the library in Python with different Machine learning techniques.


I also possess extensive experience in security in computer systems, especially perimeter security in computer networks to prevent attacks and hacking.

Formación Certificada
Cursos Homologados Educación
Formación Certificada
  • 4.3 Instructor Rating
  • 6,870 Reviews
  • 69,016 Students
  • 71 Courses

El curso tiene evaluación de conocimientos, realizada en la propia plataforma, y será emitido Certificado de Formación. Entidad Certificada, donde consta la evaluación alcanzada, el programa del curso, la duración y la identificación de entidad formadora certificada.

Los certificados de formación son válidos para todos los efectos legales y de cualificación de las competencias;

que los certificados son válidos internacionalmente, ya que cumplen las normas de certificación de la Unión Europea;

que se respetan normas y principios rigurosos en términos pedagógicos y organizativos;

que se respetan todos los reglamentos desde el punto de vista legal, fiscal y al nivel de los pagos.

Puede solicitar más información o comprobación sobre cualquiera de los aspectos anteriormente mencionados.

Son muchos los beneficios de la formación certificada, tanto para los empleados como para la empresa. Entre los intereses, compartidos por todos los participantes, están el de adquirir nuevos conocimientos, ganar en confianza, evolucionar o el reconocimiento de obtener un diploma.


En cuanto a la empresa, los beneficios de la formación certificada caminan en paralelo a su objetivo de mantener alto el potencial de los empleados mediante la inversión en el desarrollo de sus habilidades, reteniendo y motivando al talento a través de la formación.


  • Udemy for Business
  • Teach on Udemy
  • Get the app
  • About us
  • Contact us
  • Careers
  • Blog
  • Help and Support
  • Affiliate
  • Impressum Kontakt
  • Terms
  • Privacy policy
  • Cookie settings
  • Sitemap
  • Featured courses
Udemy
© 2021 Udemy, Inc.