Machine Learning y Ciencia de Datos con Python
4.6 (16 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.
139 students enrolled

Machine Learning y Ciencia de Datos con Python

Numpy, Pandas, Matplotlib,Seaborn,Plotly, Scikit-Learn, Jupyter, Web Scraping, Google Colab, Redes Neuronales
4.6 (16 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.
139 students enrolled
Created by CARLOS QUIROS
Last updated 1/2020
Spanish
Spanish [Auto]
Current price: $135.99 Original price: $194.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 18 hours on-demand video
  • 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
  • Los fundamentos de Machine Learning y la Ciencia de Datos con un enfoque práctico
Requirements
  • Python, algebra lineal, cálculo matemático
Description

Este es un curso práctico de Machine Learning y Ciencia de Datos con Python en Español. Este curso está dirigido principalmente más no exclusivamente para la comunidad de habla hispana explicando los conceptos que son generados en ingles en español.

El curso se caracteriza por ofrecer los conceptos de forma concisa enfocándose en la aplicación práctica de los mismos con muchos ejemplos ilustrativos.

El curso requiere de un conocimiento previo del lenguaje de programación en Python así como conocimientos de algebra lineal, cálculo matemático así como uso del sistema operativo Windows 10.

El curso trata de forma ilustrativa los siguientes tópicos:

- Configuración del entorno de trabajo para el Machine Learning y Data Science.

- Uso de Jupyter Notebook, Jupyter Lab y Sublime.

- Revisión del Web Scraping.

- Recopilación de data y conexión a bases de datos MySQL y SQlite.

- Principales librerías para Data Science: Numpy, Pandas, Matplotlib, Seaborn y Plotly.

- Scikit-Learn en Machine Learning.

- Conceptos de Machine Learning y diferentes algoritmos para clasificación y regresión.

- Redes Neuronales Artificiales.

- Machine Learning en la web con Google Colab.

- Aplicaciones prácticas.


El alumno tiene la oportunidad de formular preguntas o dudas en cualquier momento a través de los foros de preguntas y respuestas o por correo electrónico al instructor.


Who this course is for:
  • Profesionales o estudiantes con dominio de Python que quieran aprender sobre Machine Learning y la Ciencia de Datos
Course content
Expand all 74 lectures 18:09:22
+ Analisis de Datos
23 lectures 06:10:07
Introducción al Data Science
05:42
Numpy
19:45
Pandas: Estructuras de datos y Operaciones parte 1
15:18
Pandas: Estructuras de datos y Operaciones parte 2
18:22
Pandas: Funciones
11:11
Pandas: Importación y Exportación de data
11:37
Pandas: Merge, Join and Concatenate
19:47
Pandas: Estadísticas
12:47
Pandas: Series de Tiempo
19:34
Matplotlib: Fundamentos
19:58
Matplotlib: Personalización de Gráficos
15:32
Matplotlib: Graficos Estadísticos
20:27
Seaborn: Fundamentos
20:11
Seaborn en Datos Categoricos
20:10
Seaborn en Datos Numericos
21:13
Plotly parte 1
15:44
Plotly parte 2
14:25
Jupyter Widgets
20:28
Colección de data: desde repositorios
08:08
Expresiones Regulares
20:47
Colección de data: Web Scraping
19:13
Colección de data: MySQL y Pandas
11:05
Colección de data: SQLite y Pandas
08:43
+ Machine Learning
33 lectures 08:12:48
Introduccion - Scikit Learn
03:27
Fundamentos de Machine Learning
11:14
Overfitting - Underfitting
09:45
Classifications Metrics
12:03
Evaluación: Cross Validation
09:48
Regresión Logística - parte 1
13:30
Regresión Logística - parte 2
20:52
Graficando Fronteras de Decisión
17:09
Naive Bayes
15:55
Support Vector Machines parte 1
08:03
Support Vector Machines parte 2
13:41
Decision Trees parte 1
20:34
Decision Trees parte 2
16:30
Random Forest
18:46
Boosting: AdaBoost parte 1
19:44
Boosting: AdaBoost parte 2
16:27
Gradient Boost: XGBoost parte 1
20:28
Gradient Boost: XGBoost parte 2
16:06
Ensemble Learning
17:24
KNN
14:30
K-Means
13:10
GridSearchCV
15:00
PCA parte 1
18:27
PCA parte 2
08:49
LDA
15:32
KPCA
11:39
t-SNE parte 1
16:28
t-SNE parte 2
19:30
Regresión Lineal parte 1
17:49
Regresión Lineal parte 2
17:47
Regularización en Regresión Lineal
13:09
Polynomial Regression
11:54
Modelos avanzados de Regresión
17:38
+ Redes Neuronales Artificiales
6 lectures 01:08:37
Fundamentos de Redes Neuronales Artificiales
13:49
Gradient Descent y Back Propagation
16:54
Regresión Lineal con Descenso del Gradiente
13:43
Funciones de Activación
08:49
Perceptron con Scikit Learn
07:01
Multilayer Perceptron con Scikit Learn
08:21
+ Aplicaciones
7 lectures 01:55:57
Data Science con IMDB parte 1
18:41
Data Science con IMDB parte 2
14:07
Heart Disease Prediction
20:39
Detector de Spams
19:15
Recognizing Handwritting digits
19:49
Machine Learning con Google Colab
20:18
Fin del curso y recomendaciones
03:08