Diplomado de Machine Learning en Python

1. Curso modular: Ciencia de datos en python
Conceptos y metodología de Ciencia de Datos
Objetivo: reconocer los aspectos metodológicos en el desarrollo de proyectos de Ciencia de Datos
Conceptos básicosMetodología de la ciencia de datosMódulos de python para la ciencia de datos
Objetivo: aprender a utilizar el lenguaje de programación python y a utilizar los módulos más comunes para ciencia de datos
Fundamentos de PythonNumpy y PandasMatplotlib y SeabornPreprocesamiento y bases de datos
Objetivo: identificar las técnicas de preprocesamiento más comunes
Lectura y Escritura de Bases de DatosTécnicas de preprocesamientoTécnicas básicas de aprendizaje supervisado
Objetivo: conocer las aplicaciones y el alcance del aprendizaje supervisado, así como, las técnicas básicas de aprendizaje supervisado
Regresión LinealPráctica de regresiónRegresión LogísticaPráctica de clasificación
2. Curso modular: Fundamentos de machine learning en python
Introducción
Objetivo: repasar los fundamentos requeridos y conocer las herramientas de trabajo
Revisión de librerías básicasRevisión de conceptos como aprendizaje supervisado y no supervisadoTécnicas de aprendizaje supervisado
Objetivo: conocer a profundidad el funcionamiento de las técnicas más comunes de aprendizaje supervisado y aprender a utilizar las técnicas más comunes de aprendizaje supervisado.
Regresión Multivariada y no linealRegresión logísticaK-Vecinos más cercanosNaive BayesMáquinas de vectores de soporteÁrboles de decisiónPráctica de regresiónPráctica de clasificaciónSelección de modelos
Objetivo: identificar un diseño experimental adecuado para la implementación de proyectos de machine learning y reconocer las técnicas que permiten evaluar adecuadamente el desempeño de modelos supervisados y seleccionar sus hiper-parámetros
Construcción de datasetsValidación cruzadaCurvas de validaciónCurvas de aprendizajeBúsqueda de hiper-parámetrosPráctica de selección de modelosMétodos de ensamble
Objetivo: reconocer los métodos de ensamble como una estrategia para mejorar el rendimiento de modelos individuales
BoostingBaggingStackingRandom Forest y Gradient BoostingPráctica de métodos de ensambleTécnicas de aprendizaje no supervisado
Objetivo: aplicar agrupamiento automático a datos tabulares, conocer las ventajas de la reducción de dimensión en la visualización y modelación y entender técnicas para detección de anomalías.
AgrupamientoReducción de dimensión,Detección de anomalías