Curso completo de Machine Learning: Data Science en Python
4.5 (4,654 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
29,996 students enrolled

Curso completo de Machine Learning: Data Science en Python

Aprende los algoritmos de Machine Learning con Python para convertirte en un Data Science con todo el código para usar
Bestseller
4.5 (4,654 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
29,996 students enrolled
Last updated 6/2020
Spanish
Spanish [Auto]
Current price: $129.99 Original price: $199.99 Discount: 35% off
18 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 48 hours on-demand video
  • 17 articles
  • 3 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Ser todo un master Jedi del Machine Learning con Python
  • Llevar a cabo predicciones precisas
  • Elaborar modelos robustos de Machine Learning
  • Utilizar las técnicas de Machine Learning para uso personal y para asesorar empresas
  • Tener una buena intuición de la mayoría de modelos de Machine Learning
  • Hacer análisis muy potentes y precisos
  • Dar valor añadido a tu propia empresa o negocio
  • Conocer qué modelo de Machine Learning se ajusta mejor a cada tipo de problema
  • Construir modelos diversos de Machine Learning y combinarlos para resolver cualquier problema que uno se plantee
  • Utilizar técnicas avanzadas para reducir la dimensión del problema
Course content
Expand all 236 lectures 48:00:37
+ Introducción
4 lectures 13:36
Pre requisitos del curso
01:37
Acerca de la valoración prematura del curso en Udemy
02:41
+ Instalando nuestra herramienta de trabajo
6 lectures 01:13:37
Cómo instalar Python con Anaconda Navigator
27:18
Las librerías estándar de Machine Learning en Python
19:03
Los editores para programar en Python
09:53
Las 5 etapas del análisis de datos
13:10

Durante el curso es de esperar que te surjan dudas y quieras respuesta casi inmediata. Mientras que en el foro de Udemy pueden pasar entre 24 y 48 horas entre que escribes tu duda y yo tengo tiempo de responderlas, he creado para ti y todos los estudiantes una comunidad donde todos vosotros podéis (a mano o con mensaje de voz) poner vuestras dudas, sugerencias y resultados y que sean vuestros compañeros que están conectados los que os contesten.

Para unirte solamente debes hacer click en el siguiente enlace y registrarte si no tienes cuenta en Discord:

https://discord.gg/fneYMmC

A partir de aquí, tendrás toda una red social de estudiantes que como tu buscan aprender y que te irán resolviendo las dudas del curso si están conectados. La idea es que crezcamos juntos y tu seas uno más, así que ¡apúntate y prepárate para convertirte en el siguiente desarrollador más famoso de toda la comunidad!

Comunidad de estudiantes del curso
03:37
Algunos cambios en la versión 3.7 de Python
00:36
+ Una introducción al análisis predictivo y al Machine Learning
4 lectures 01:11:54
Ser Data Scientist es la profesión más sexy del siglo XXI
15:46
¿Qué es el análisis predictivo de datos?
18:49
Data Scientist = Matemáticas + Programación + Business
10:48
Aplicaciones y ejemplos del mundo del Data Science
26:31
+ Limpieza de Datos
21 lectures 03:50:36
Data Cleaning
04:40
El concepto de data frame
09:23

https://github.com/joanby/python-ml-course

El repositorio Git del curso
05:28
¿Qué hago si no me autocompleta Jupyter?
00:10
Acerca de las barras en Windows
00:19
Leer datos procedentes de un CSV
13:50
Los parámetros de la función read_csv
17:26
Ejemplos de diferentes carga de datos con read_csv
14:58
El método open para la carga manual de datos
14:39
Cuidado con el método open
00:24
Leer y escribir en un fichero con Python
07:56
La carga de datos desde una hoja de cálculo
08:35
Ejercicio: descargar y procesar datos desde una URL externa
19:24
Las funciones básicas de resumen, estructura, dimensiones y cabecera
16:45
¿Por qué faltan valores en los data sets?
13:53
Qué hacer cuando faltan valores en el dataset
18:24
Las variables dummy
13:18
Visualización básica de un dataset: el scatterplot
15:35
Visualización básica de un dataset: el histograma de frecuencias
09:45
Visualización básica de un dataset: el boxplot
12:58
+ Operaciones de manejo de datos
30 lectures 05:40:34
Data Wrangling
07:29
Una chuleta de pandas para Data Wrangling
00:16
Fe de erratas
00:20
Buscar un subconjunto de datos de un dataset
19:54
Filtrados alternativos
00:19
Subconjuntos de filas con ciertas condiciones
18:12
Subconjuntos con loc e iloc y creación de nuevas columnas
16:33
Generar números aleatorios
19:45
La semilla de la generación aleatoria
05:06
La distribución uniforme
08:59
La distribución Normal
15:10
El método de la simulación de Monte-Carlo para encontrar el valor de Pi
21:56
Generando dummy data frames
10:51
Un dummy data frame con variables categóricas
12:05
Agrupación de los datos por categorías
08:13
Agregación de datos
11:22
Filtrado, Transformación y otras operaciones útiles
14:40
Conjunto de entrenamiento y de testing
05:48
Atualización: cómo dividir conjunto de entrenamiento y test
00:13
Muestreo aleatorio: cómo dividir un dataset en conjunto de entreno y validación
13:30
Carga de cientos de datos distribuidos
23:18
Ejercicio: el data set de los juegos olímpicos
19:57
Concatenar los datos con merge
13:46
Formas de cruzar tablas con joins
14:26
Eliminar datos de datasets con restricciones de conjunto
13:01
Ejemplos de joins con Python
16:41
Ya conoces las bases del manejo de datos
04:00
¿Te gusta el curso? ¡Valóralo y cuéntanos tu opinión!
01:44
+ Conceptos básicos de estadística para la modelización predictiva
9 lectures 02:07:27
Los conceptos fundamentales de estadística
06:59
Un resumen de los estadísticos básicos (en R)
25:46
El resumen de estadísticos en Python (propuesta de un estudiante)
00:07
Muestreo aleatorio y el teorema central del límite
12:26
Los contrastes de hipótesis
12:46
Cómo hacer un contraste de hipótesis paso a paso
19:02
Test de la chi cuadrado
16:19
Correlación entre variables
30:38
Un resumen de lo aprendido
03:24
+ Regresión lineal con Python
22 lectures 05:08:04
La regresión lineal
06:24
Las matemáticas tras una regresión lineal
10:18
Demostración de la obtención de los parámetros del modelo lineal
19:52
Errores normalmente distribuidos
02:24
Sumas de los cuadrados totales, de las diferencias y de la regresión
32:22
Ejercicio demostrar que SST = SSR + SSD
00:50
Encontrando los coeficientes óptimos de la regresión
14:42
Interpretar los parámetros de la regresión
14:51
Implementar una regresión lineal con Python
20:49
Regresión lineal múltiple
23:13
El problema de la multicolinealidad
12:13
Validando nuestro modelo
14:54
El resumen de todos los modelos lineales creados
06:11
Regresión lineal con scikit-learn
11:46
Modelos lineales con variables categóricas
06:13
Variables categóricas en una regresión lineal
27:43
Otra forma más simple de calcular las predicciones
00:07
Enmascarado de variables categóricas redundantes
16:05
Transformar las variables en relaciones no lineales
33:22
El problema de los outliers
16:38
Otros problemas y consideraciones de la regresión lineal
11:17
Un resumen de la regresión lineal
05:49
+ Regresión logística con Python
17 lectures 05:10:26
La regresión logística
03:21
Regresión lineal vs regresión logística
07:26
Las matemáticas detrás de la regresión logística
11:01
Probabilidades condicionadas
13:03
Cociente de probabilidades
13:41
De la regresión lineal a la logística
19:25
Estimación con el método de máxima verosimilitud
40:10
Crear un modelo logístico desde cero
49:56
Análisis exploratorio de los datos
29:33
La selección de variables del dataset para el modelo logístico
21:10
Validación del modelo y evaluación del mismo
16:12
La validación cruzada
13:39
Validación cruzada con Python
11:56
Las matrices de confusión y las curvas ROC
08:14
Implementación de las curvas ROC en Python
31:30
Resumen de la regresión logística
06:19
+ Clustering y clasificación
22 lectures 05:39:25
Clustering
06:16
¿Qué es y para qué sirve el clustering?
17:35
El concepto de distancia
16:23
Matriz de distancias en Python
12:16
Métodos de enlace
11:41
Uniendo datos manualmente
26:34
Clustering jerárquico en Python
14:03
Un clustering completo: la fase de exploración de datos
17:58
Un clustering completo: representación del dendrograma
29:04
Un clustering completo: por donde cortamos el dendrograma
30:18
Un clustering completo: visualización final del clustering
10:14
El método de k-means
07:08
Implementando k-means con Python
08:52
Ejercicio: Segmentación de los vinos
27:27
El coeficiente de la silueta
07:03
Implementando la técnica del codo y el coeficiente de la silueta
35:08
Propagación de la afinidad
07:57
Implementando la propagación de la afinidad
19:06
Generando distribuciones en forma de anillo
10:54
Los K medoides y el clustering espectral
15:39
Resumen del clustering
03:58
+ Árboles y bosques aleatorios
18 lectures 03:04:40
Árboles y bosques aleatorios
03:35
¿Qué es un árbol de decisión?
09:16
Homogeneidad en los datos
07:11
Entropía y ganancia de Información
15:22
Algoritmos para la generación de árboles de clasificación
15:53
La poda del árbol
06:45
Los problemas del árbol
12:13
Los árboles de clasificación con Python
16:23
El tratamiento de ficheros dot
15:27
La validación cruzada en un árbol de clasificación
12:29
Los árboles de regresión
08:07
El dataset de las casas de Boston y Kaggle
10:42
Árboles de regresión con Python
16:56
Random forests
09:34
Random forests para regresión
09:57
Random forest para clasificación
04:44
¿Por qué funcionan los random forests?
06:31
Resumen de árboles y bosques aleatorios
03:35
Requirements
  • Se necesitan conocimientos de matemáticas de bachillerato o conocimientos básicos de estadística
  • Se recomienda saber programar un poco para enfocarse en aprender las técnicas de análisis en Python aunque no es totalmente necesario
Description

¿Te suenan las palabras Machine Learning o Data Scientist? ¿Te pica la curiosidad de para qué sirven estas técnicas o por qué empresas de todo el mundo pagan un sueldo de 120.000 hasta 200.000$ al año a un científico de datos? 

Pues este curso está pensado y diseñado por todo un profesional del mundo del Data Science como es Juan Gabriel Gomila, de modo que os va a compartir todo su conocimiento y ayudaros a entender la teoría tan compleja sobre las matemáticas que tiene detrás, los algoritmos y librerías de programación con Python para convertiros en todo unos expertos a pesar de que no tengáis experiencia previa. 

Veremos paso a paso como empezar a trabajar con conceptos y algoritmos del mundo del Machine Learning. Con cada nueva clase y sección que completes tendrás unas nuevas habilidades que te ayudarán a entender este mundo tan completo y lucrativo que puede ser esta rama del Data Science.

También decirte que este curso es muy divertido, en la línea de Juan Gabriel Gomila y que aprenderás y te divertirás mientras vas aprendiendo acerca de técnicas de Machine Learning con Python. En particular, los temas que trabajaremos serán los siguientes:

  • Parte 1 - Instalación de Python y paquetes necesarios para data science, machine learning y visualización de los datos
  • Parte 2 - Evolución histórica del análisis predictivo y el machine learning
  • Parte 3 - Pre procesado y limpieza de los datos 
  • Parte 4 - Manejo de datos y data wrangling, operaciones con datasets y distribuciones de probabilidad más famosas
  • Parte 5 - Repaso de estadística básica, intervalos de confianza, contrastes de hipótesis, correlación,...
  • Parte 6 - Regression lineal simple, regresión lineal múltiple y regresión polinomial, variables categóricas y tratamiento de outliers.
  • Parte 7 - Clasificación con regresión logística, estimación con máxima verosimititud, validación cruzada, K-fold cross validation, curvas ROC 
  • Parte 8 - Clustering, K-means, K-medoides, dendrogramas y clustering jerárquico, técnica del codo y análisis de la silueta
  • Parte 9 - Clasificación con árboles, bosques aleatorios, técnicas de poda, entropía, maximización de la información
  • Parte 10 - Support Vector Machines para problemas de clasificación y regresión, kernels no lineales, reconocimiento facial (cómo funciona CSI)
  • Parte 11 - Los K vecinos más cercanos, decisión por mayoría, programación de algoritmos de Machine Learning vs librerías de Python
  • Parte 12 - Análisis de componentes principales, reducción de la dimensión, LDA
  • Parte 13 - Deep learning, Reinforcement Learning, Redes neuronales artificiales y convolucionales y Tensor Flow

Además, en el curso encontrarás ejercicios, datasets para practicar basados en ejemplos de la vida real, de modo que no solo aprenderás la teoría con los vídeos, si no también a practicar para construir tus propios modelos de Machine Learning. Y como no olvidar que tendrás un github con todo el código fuente en Python para descargar y utilizar en todos tus proyectos. Así que no esperes más y apúntate al curso de Machine Learning más completo y útil del mercado español!

Who this course is for:
  • Cualquiera interesado en aprender Machine Learning
  • Estudiantes que tienen un conocimiento de matemáticas que quieran aprender acerca del Machine Learning con Python
  • Usuarios intermedios que conocen los fundamentos de Machine learning como los algoritmos clásicos de regresión lineal o logística pero buscan aprender más y explorar otros campos del aprendizaje estadístico
  • Programadores que les guste el código y que estén interesados en aprender Machine Learning para aplicar dichas técnicas a sus datasets
  • Estudiantes de universidad que busquen especializarse y aprender a ser Data Scientists
  • Analistas de datos que quieran ir más allá gracias al Machine Learning
  • Cualquier persona que no esté satisfecha con su propio trabajo y busque empezar a trabajar como un Data Scientist profesional
  • Cualquier persona que quiera dar valor añadido a su propia empresa utilizando las potentes herramientas de Machine Learning