CURSO DE MACHINE LEARNING CON PYTHON

Loading...
S/ 129.00
Precio Regular S/ 199.00
Ahorras S/ 70.00
FALTAN 0 HORAS PARA QUE TERMINE LA OFERTA
00 Días
00 Horas
00 Minutos
00 Seg

CURSO DE MACHINE LEARNING CON PYTHON

Loading...
S/ 129.00
Precio Regular S/ 199.00
Ahorras S/ 70.00
FALTAN 0 HORAS PARA QUE TERMINE LA OFERTA
00 Días
00 Horas
00 Minutos
00 Seg

Información

12 Estudiantes Ultima actualización: 20 octubre 2020
Empieza y termina a tu tiempo
Lleva el curso cuantas veces quieras
Curso de nivel Avanzado
  25clases más archivos adjuntos
Certifícate al terminar el curso
04 horas de videoclases online

Acerca del Curso

Aprenderás los conceptos clave de Machine Learning y el toolkit de modelos disponibles y en qué caso son aplicables. Con casos prácticos aprenderás cómo realizar la implementación en Python de los modelos más usados desde la concepción del problema a resolver, los pasos para limpiar los datos y prepararlos para el modelo, así como la validación y entendimiento de los aprendizajes.

Requerimientos

Se recomienda tener nociones básicas de programación en Python.
Se recomienda haber llevado el curso Python for Analytics o conocer de analítica descriptiva.

Acerca del profesor

Fiorella Henriquez
Fiorella Henriquez Director of Analytics Gillette & Oral-B Latin America
Current position: Gillette & Oral-B Latin America Senior Data Analyst
Previous experience: Data Analytics, Data Engineering and Quality Management, Systems implementation projects, Customer Digital Transformation, Multidisciplinary work

Certificación

Clases del curso

  • Introducción
  • Conceptos Básicos
    • Variables de un modelo
    • Modelos de Aprendizaje Supervisado
    • Modelos de Aprendizaje No Supervisado
    • Diferencias entre Aprendizaje Supervisado y No Supervisado y cómo elegir
    • Validación de modelos
    • Fases de implementación de un modelo de Machine Learning (CRISP-DM)
    • Cuándo usar Machine Learning vs. Analítica
    • Machine Learning en Python
  • Transformación de datos para un modelo
    • Formato tidy data
    • Limpieza de valores nulos o faltantes
    • Selección de variable target y predictores
    • Sets de entrenamiento y prueba: train/test/validation
    • Caso aplicativo: preparación de los datos
  • Modelamiento incluyendo implementación del caso aplicativo
    • Identificación del modelo a usar
    • Análisis exploratorio previo y visualización de datos
    • Modelo de aprendizaje supervisado: Regresión lineal
    • Modelo de aprendizaje supervisado: Regresión logística
    • Modelo de aprendizaje supervisado: Árbol de decisión
    • Modelo de aprendizaje no supervisado: Clustering/agrupamiento
  • Validación del modelo e interpretación de resultados
    • Validación de los diferentes modelos
    • Caso aplicativo: Modelamiento e Interpretación de resultados

Acerca del profesor

Fiorella Henriquez
Fiorella Henriquez Director of Analytics Gillette & Oral-B Latin America
Current position: Gillette & Oral-B Latin America Senior Data Analyst
Previous experience: Data Analytics, Data Engineering and Quality Management, Systems implementation projects, Customer Digital Transformation, Multidisciplinary work

Certificación