
Mis Cursos en Udemy.
Te invito a conocer el resto de mis formaciones disponibles en la plataforma Udemy.
Y por ser alumno y haber finalizado este curso, te ofrezco un gran descuento en mis cursos online como agradecimiento por tu apoyo y confianza prestada en mis formaciones. Accede al contenido exclusivo de esta lección y consigue tu curso con descuento.
En esta lección aprenderás los más importante sobre el uso correcto y óptimo del portal formativo Udemy. Recuerda que si aún sigues tienes algún problema o dificultad durante la formación puedes contactar conmigo.
En la siguiente clase te detallo como está organizado y configurado el curso que estas comenzando. El objetivo es que aproveches al máximo la formación y saques el mayor beneficio de la misma.
¡Comencemos!
El curso de “Machine Learning con Python” se centra en un subcampo específico de aprendizaje automático llamado modelado predictivo. 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 se centra principalmente en datos tabulares (por ejemplo, tablas de números como en una hoja de cálculo).
¿Qué contenidos veremos en este curso? Adelante vídeo
Para ir conociéndonos todos, te invito a presentarte. Ponle cara a tu perfil y sube un par de proyectos, personales o profesionales, compártelos en el foro de esta clase y cuéntanos en qué lugar o proyecto desearías trabajar idealmente.
Recuerda que desde el apartado de "Preguntas y Respuestas" podrás presentarte al resto de alumnos de este curso y plantear todas las inquietudes que tengas.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
Ya que R será nuestro entorno de en el que desarrollaremos los conceptos de Data Analytics, en esta segunda lección realizaremos un repaso de la programación básica con R, poniendo énfasis en los conceptos básicos que deberemos conocer para poder desarrollar el curso.
En este sentido, el tema se divide en los siguientes conceptos de programación básica:
La Plataforma R. Veremos como descargar e instalar nuestro entorno de programación, es decir, la plataforma R.
Lenguaje de programación R. Haremos un recorrido de la sintaxis de R, conociendo los conceptos básicos como asignaciones, estructuras de datos, estructuras de control, funciones y la importancia de los paquetes.
Conjuntos de datos estándar. Describiremos los conjuntos de datos que trabajaremos a lo largo del curso y su clasificación dentro del aprendizaje supervisado.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
En esta tercera unidad, se estudiarán una de las partes más importantes para un científico de datos, que es el análisis y tratamiento de los datos. Para ello, comenzaremos analizando la estadística descriptiva para así poder realizar técnicas de procesamiento de los atributos, así como las diferentes transformaciones de nuestros datos para poder obtener un mejor rendimiento de nuestros algoritmos.
Manipular el conjuntos de datos. Para poder trabajar los conjuntos de datos deberemos aprender a manipularlos, es decir, a cargarlos.
Estadística Descriptiva. Este es uno de los temas más importantes que los que trabajan con machine learning deben conocer. Entender los datos y analizar sus atributos e instancias serán lo primero que deberemos observar en cualquier proyecto.
Visualización. R nos proporciona una serie de gráficos para poder visualizar los datos y analizarlos correctamente.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
En esta unidad comparamos los diferentes resultados que tienen los algoritmos, diferenciando si nuestro problema es un problema de regresión (valor numérico a predecir) o de clasificación (valor categórico a predecir). Finalmente, aprenderemos a comparar los diferentes resultados de los algoritmos para así crear un modelo más robusto en la fase de predicción.
En este sentido, el tema se divide en las siguientes secciones:
Preprocesamiento de datos. Analizaremos las diferentes técnicas que tenemos a nuestra disposición para poder realizar un buen preprocesamiento de datos y, así, mejorar el rendimiento de nuestros modelos.
Métodos de remuestreo. Aprenderemos a qué nos referimos con la métrica de un modelo para poder estimar su desempeño en los datos no etiquetados.
Evaluación de las métricas. Descubriremos cómo puede evaluar sus algoritmos de machine learning en R utilizando una serie de métricas de evaluación estándar.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
Una vez realizado un preprocesamiento de los datos debemos comprenderlos antes de modelarlos. Para poder comprenderlos existen técnicas como feature selection nos permitirán seleccionar las variables más significativas en los resultados. Posteriormente, aprenderemos sobre los algoritmos más importantes de machine learning ya que tenemos que comparar el rendimiento de los algoritmos para buscar al mejor candidato.
En este sentido, el tema se divide en las siguientes secciones:
Feature selection. El proceso de feature selection en los datos permite modelar su problema se denomina selección de mejores características, es decir, atributos más relevantes para los modelos de aprendizaje.
Algoritmos de machine learning. Aprenderemos cuales son las diferentes taxonomías en las que se empaquetan los diferentes algoritmos, así como es su desempeño en un conjunto de datos.
Rendimiento de los algoritmos. Por último, aprenderemos 8 técnicas que puede usar para comparar algoritmos de machine learning en R.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.
Máster de Especialista en Ciencia de Datos con el Lenguaje R.
Aprenda a desarrollar proyectos de Machine Learning y Deep Learning con el lenguaje R. Data Science de básico a Experto.
Instructores: PhD. Manuel Castillo.
Requisitos previos: Antes de realizar el curso se recomienda encarecidamente tener conocimientos de Programación en R. Este es el curso continuación del también curso de Udemy llamado:
Programación con el Lenguaje Estadístico R. De 0 a Experto. Aprenda el Lenguaje de Programación Estadístico R. Curso Completo desde Básico hasta Avanzado.
Descripción del Curso:
El curso de “Máster de especialista en Ciencia de Datos con el lenguaje R” tiene dos bloques principales de estudio:
El primer bloque 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 Caret en lenguaje de programación R por su gran rendimiento y facilidad en su uso.
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 segundo bloque se centra en el aprendizaje profundo. En este curso trataremos la librería Keras de R para Deep Learning y cómo usarla para desarrollar y evaluar modelos de Deep Learning. En este curso, descubriremos las técnicas, código y habilidades de Deep Learning que luego puede llevar a sus propios proyectos de Machine Learning.
La librería Keras envuelve la complejidad de la computación numérica de Theano y TensorFlow proporcionando una API concisa que usaremos para desarrollar nuestra propia red neuronal y modelos Deep Learning. Además, trataremos las habilidades de Deep Learning para llevar esta nueva tecnología asombrosa a nuestros propios proyectos.
Contenidos del Curso:
MÓDULO I: Introducción
Conceptos básicos de machine learning.
La plataforma R como nuestro entorno de machine learning.
Conclusiones
MÓDULO II: Programación con R
Primeros pasos con la plataforma R.
Lenguaje de programación R.
Conjunto de datos Estándar.
MÓDULO III: Análisis de datos
Cargar un conjunto de datos.
Estadística descriptiva.
Visualización de datos.
MÓDULO IV: Tratamiento de datos
Preprocesamiento de datos para machine learning.
Métodos de remuestreo para estimar la precisión del modelo.
Evaluación de las métricas.
MÓDULO V: Fase de modelado
Feature Selection en machine learning
Feature Importance
Algoritmos de Machine Learning.
MÓDULO VI. Redes Neuronales.
Curso sobre Multilayer Perceptron
Redes Feed Forward
Desarrollar nuestra primera red neuronal con Keras.
Evaluar el rendimiento de los modelos.
Proyecto: Problema de clasificación multiclase.
Proyecto: Problema de regresión.
MÓDULO VII. Redes Neuronales Convolucionales
Fundamentos de las CNNs
Operación convolución y Pooling
Capas totalmente conectadas
Backpropagation y Gadiente descendiente
Coste, sesgo y activación.
Capas totalmente conectadas
Padding y Stride.
MÓDULO VIII. Redes Neuronales Recurrentes
Curso intensivo en redes neuronales recurrentes.
Modelos de perceptrones multicapa para problemas de series de tiempo.
Modelos LSTM para problemas de series temporales.
Proyecto: Clasificación secuencial de reseñas de películas.
Proyecto: Generación de texto.
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.
Con esta formación disfrutarás aprendiendo desde dónde quieras, sin tener que desplazarte, sin horarios, con quién quieras, según tus necesidades y disponibilidad. Aprenderás con un instructor avalado por miles da alumnos satisfechos en todo el mundo (comentarios certificados). Conocerás las técnicas, métodos, trucos y flujos de trabajo de este sector creativo. El docente te transmitirá su sabiduría y conocimientos con pasión a la vez que las explicaciones concisas, claras, sencillas y con un enfoque profesional en cada clase. Podrás conseguir un certificado homologado personalizado y firmado por tu instructor en cada formación. De está forma podrás compartir tu título en tu portafolio, currículo, en redes sociales...
Con la alta definición de los vídeos (vídeo fullHD y audio de estudio) conseguirá no te perder detalle. Podrás ver las clases las veces que requieras para recordar y perfeccionar tus habilidades como diseñador. Tendrás la posibilidad de preguntar, pedir opinión y ayuda al instructor, además de compartir tu experiencia de aprendizaje con los demás alumnos del curso, tan apasionados como tú, repartidos por todo el mundo. Seleccionamos cuidadosamente los contenidos y producimos cada curso para garantizar una experiencia de aprendizaje online integral y de la máxima calidad.
¿A qué esperas?, este curso es ideal para ti, atrévete a convertirte en un experto. Adelante, nos vemos dentro de la formación.