CURSO DE MACHINE LEARNING CON PYTHON

Machine Learning con Python

Información

5.0 ( 2 Valoraciones ) 601 Estudiantes Ultima actualización: 19 abril 2024

Empieza y termina a tu tiempo

Lleva el curso cuantas veces quieras

Curso de nivel Avanzado

25clases

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 Director of Analytics Gillette & Oral-B Latin América

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

Introducción
- Introducción del profesor
  
  Vista previa gratuita
- Contenido del curso
  
  Vista previa gratuita
- ¿Qué es Machine Learning y sus aplicaciones?
  
  Vista previa gratuita
- Presentación del caso aplicativo
  
  Vista previa gratuita
- Código Fuente y Datasets
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
  
  Vista previa gratuita
- 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

Valoraciones

Acerca del profesor

Fiorella Henriquez Director of Analytics Gillette & Oral-B Latin América