Certificación en Aprendizaje Automático con Python
450,00 EUR
- 40 hours
This Machine Learning with Python course provides an in-depth overview of ML topics, including working with real-time data, developing supervised and unsupervised learning algorithms, regression, classification and time series modelling. In this machine learning certification training course, you will learn how to use Python to make predictions based on data. Upon completion of this Machine Learning using Python course, you will receive a certificate attesting to your skills as a machine learning expert.
Visión general
Desbloquea el potencial de los datos con el curso de aprendizaje automático con Python
- Logra el éxito profesional con nuestro curso integral de aprendizaje automático
- Aprende con más de 40 horas de aprendizaje aplicado y laboratorios interactivos
- Completa 4 proyectos prácticos para reforzar tu comprensión
- Obtén apoyo de mentores durante tu proceso de aprendizaje
- Domina los conceptos clave de ML para la certificación
- Adquiere las habilidades necesarias para convertirte en un ingeniero de aprendizaje automático exitoso
Oferta especial:
Además de este curso práctico de aprendizaje electrónico, te ofrecemos acceso gratuito a nuestras sesiones de aula en línea. Tienes 90 días para reservar sesiones de entrenamiento en línea gratuitas, las cuales siempre se realizan en horarios flexibles. Además de tu aprendizaje electrónico y si así lo deseas, tendrás la oportunidad de interactuar con el instructor y otros participantes. Estas sesiones de aula en línea también se graban para que puedas guardarlas.
Habilidades:
- Aprendizaje supervisado y no supervisado
- Regresión lineal y logística
- Agrupamiento KMeans
- Árboles de decisión
- Técnicas de Boosting y Bagging
- Modelado de series temporales
- SVM con kernels
- Naive Bayes
- Clasificadores de bosques aleatorios
- Fundamentos del aprendizaje profundo
Características clave
Idioma
El curso y el material están en inglés
35+ horas de aprendizaje mixto
32 horas de aula en vivo en línea y 6 horas de contenido de aprendizaje electrónico autodirigido
Acceso
Acceso de por vida a contenido de autoestudio
Flexi Pass activado
capacidad de reprogramar tu cohorte de aula virtual en vivo dentro de los primeros 90 días de acceso.
Aprendizaje interactivo con Google Colabs
Formación en aula virtual en vivo por los mejores instructores y profesionales
Proyectos
Proyectos de aprendizaje experiencial basados en la industria
Habilidades prácticas
y experiencia práctica en la aplicación de aprendizaje automático para abordar desafíos reales de datos.
Cursos gratuitos de bonificación
Repaso de Matemáticas y Estadísticas Esenciales para la Ciencia de Datos
Cronograma del curso
Repaso de Matemáticas
Curso Gratuito 1
- Probabilidad y estadística
- Geometría Analítica
- Álgebra lineal
- Valores propios, vectores propios y descomposición propia
- Introducción al Cálculo
Estadísticas esenciales para la ciencia de datos
Curso Gratuito 2
- Introducción a la Estadística
- Entendiendo los datos
- Estadísticas Descriptivas
- Visualización de datos
- Probabilidad
- Distribuciones de probabilidad
- Muestreo y Técnicas de Muestreo
- Estadística Inferencial
- Aplicación de la Estadística Inferencial
- Relación entre Variables
- Aplicación de la Estadística en los Negocios
- Práctica Asistida
Introducción
Lección 01
Comience este programa entendiendo las secciones del curso y los temas tratados. Esto le ayudará a estar preparado para las próximas sesiones.
Introducción al aprendizaje automático
Lección 02
El curso abarca los conceptos básicos del aprendizaje automático, incluyendo su definición y diferentes tipos. También profundiza en la tubería de aprendizaje automático, MLOps y AutoML, proporcionando conocimientos sobre la implementación de modelos de aprendizaje automático a gran escala. Además, se introduce a los estudiantes a los principales paquetes de Python para tareas de aprendizaje automático, permitiéndoles utilizar el robusto ecosistema de Python para desarrollar soluciones de aprendizaje automático.
Temas:
- ¿Qué es el aprendizaje automático?
- Diferentes tipos de aprendizaje automático
- Tubería de aprendizaje automático, MLOps y AutoML
- Introducción a los paquetes de Python para aprendizaje automático
Aprendizaje supervisado
Lección 03
La sección sobre aprendizaje supervisado explora sus aplicaciones prácticas en diferentes dominios y se acompaña de discusiones sobre su relevancia e importancia en escenarios del mundo real. Los estudiantes participan en actividades prácticas para preparar y dar forma a los datos para tareas de aprendizaje supervisado, seguido de discusiones sobre el sobreajuste y el subajuste. Además, se ofrecen ejercicios prácticos para detectar y evitar estos problemas, así como perspectivas sobre técnicas de regularización para optimizar el rendimiento del modelo y reducir el sobreajuste.
Temas:
- Aprendizaje supervisado
- Aplicaciones del aprendizaje supervisado
- Sobreajuste y subajuste
- Regularización
Regresión y su aplicación
Lección 04
Este segmento explora los fundamentos del análisis de regresión, cubriendo la definición y los diferentes tipos, incluyendo la regresión lineal, logística, polinómica, ridge y lasso. Las discusiones resaltan las suposiciones críticas subyacentes a la regresión lineal y los ejercicios prácticos proporcionan experiencia directa en la modelación de regresión lineal. Los participantes también se involucrarán en la exploración de datos utilizando técnicas como el sobremuestreo SMOTE y la preparación, construcción y evaluación de modelos de regresión para volverse competentes en el análisis de regresión.
Temas:
- ¿Qué es la regresión?
- Tipos de regresión
- Regresión lineal
- Supuestos críticos para la regresión lineal
- Regresión logística
- Sobremuestreo con SMOTE
- Regresión polinómica
- Regresión de crestas
- Regresión Lasso
Clasificación y aplicaciones
Lección 05
Esta sección abarca algoritmos de clasificación y sus definiciones, tipos y aplicaciones, y la elección de parámetros de rendimiento. Los participantes se sumergen en diversas técnicas de clasificación, como Bayes Ingenuo, Descenso del Gradiente Estocástico, K-Vecinos más Cercanos, Árboles de Decisión, Bosque Aleatorio, Boruta y Máquinas de Vectores de Soporte, a través de discusiones y ejercicios guiados. También se discuten conceptos clave como el Kappa de Cohen, seguido de comprobaciones de conocimiento para reforzar la comprensión.
Temas:
- ¿Qué son los algoritmos de clasificación?
- Diferentes tipos de clasificación
- Tipos de aplicaciones y elección de parámetros de rendimiento
- Naive Bayes
- Descenso de gradiente estocástico
- Poblaciones de K-vecinos
- Árbol de decisión Bosque Aleatorio
- Boruta
- Máquina de vectores de soporte
- La capa de Cohen
Algoritmos no supervisados
Lección 06
Este segmento introduce a los estudiantes a los algoritmos no supervisados, cubriendo sus tipos, aplicaciones y parámetros de rendimiento. Los participantes se involucran en actividades prácticas como la visualización de resultados y la aplicación de técnicas como el agrupamiento jerárquico, el agrupamiento K-Means y el algoritmo K-Medoids. Además, exploran métodos de detección de anomalías y técnicas de reducción de dimensionalidad como el Análisis de Componentes Principales (PCA), la Descomposición en Valores Singulares y el Análisis de Componentes Independientes. Las aplicaciones prácticas de estos algoritmos se demuestran a través de ejercicios guiados, mejorando la comprensión de los estudiantes sobre los conceptos de aprendizaje no supervisado.
Temas tratados:
- Algoritmos no supervisados
- Diferentes tipos de algoritmos no supervisados
- ¿Cuándo usar algoritmos no supervisados?
- Parámetros para el rendimiento
- Tipos de agrupamiento
- Agrupamiento K-Means
- Algoritmo K-Medoides
- Fuera de serie
- Detección de valores atípicos
- Análisis de componentes principales
- Análisis de correspondencias y análisis de correspondencias múltiples (ACM)
- Descomposición en valores singulares
- Análisis de componentes independientes
- Reducción iterativa equilibrada y agrupamiento usando jerarquías (BIRCH)
Aprendizaje conjunto
Lección 07
Esta sección abarca algoritmos de clasificación y sus definiciones, tipos y aplicaciones, así como la elección de parámetros de rendimiento. Los participantes se sumergen en diversas técnicas de clasificación, como Bayes Ingenuo, Descenso del Gradiente Estocástico, K Vecinos más Cercanos, Árboles de Decisión, Bosque Aleatorio, Boruta y Máquinas de Vectores de Soporte, a través de discusiones y ejercicios guiados. También se discuten conceptos clave como el Kappa de Cohen, seguido de comprobaciones de conocimiento para reforzar la comprensión.
Temas:
- ¿Qué son los algoritmos de clasificación?
- Diferentes tipos de clasificación
- Tipos de aplicaciones y elección de parámetros de rendimiento
- Naive Bayes
- Descenso de gradiente estocástico
- Poblaciones de K-vecinos
- Árbol de decisión Bosque Aleatorio
- Boruta
- Máquina de vectores de soporte
- La capa de Cohen
Sistemas de recomendación
Lección 08
Este módulo proporciona una visión integral de los motores de recomendación y explora sus principios y mecanismos subyacentes. Los participantes se sumergen en varios casos de uso y ejemplos de sistemas de recomendación y obtienen una comprensión de su diseño e implementación. A través de ejercicios prácticos, los participantes aplican técnicas de filtrado colaborativo, incluyendo modelado basado en memoria, filtrado basado en objetos y usuarios, y filtrado colaborativo basado en modelos. Además, exploran la reducción de dimensionalidad, métodos de factorización de matrices y matrices de precisión en el aprendizaje automático para evaluar y optimizar el rendimiento de los motores de recomendación.
Temas:
- ¿Cómo funcionan las máquinas de recomendación?
- Casos de uso para máquinas de recomendación
- Ejemplos de sistemas de recomendación y cómo están diseñados
- Usando PyTorch para construir un motor de recomendaciones.
Proyectos industriales
Al final del curso, realizarás dos proyectos. Aplicarás todo lo que has aprendido y ganarás experiencia práctica con tus nuevos conocimientos.
- Proyecto 1: Análisis de rotación de empleados - Crear programas de ML para predecir la rotación de empleados, incluyendo verificaciones de calidad de datos, EDA, agrupamiento, etc., y proponer estrategias de retención de empleados basadas en puntuaciones de probabilidad.
- Proyecto 2: Segmentación de canciones - Realizar un análisis de datos exploratorio y un análisis de conglomerados para crear cohortes de canciones.
Resultados de aprendizaje
Este curso de aprendizaje automático con Python te permitirá:
Tipos de aprendizaje automático
Explora los diferentes tipos de aprendizaje automático y sus respectivas características.
Operación Clave
Analiza el flujo de trabajo de aprendizaje automático y comprende las operaciones clave involucradas en el aprendizaje automático (MLOps).
Aprendizaje supervisado
Aprendiendo sobre el aprendizaje supervisado y su amplia gama de aplicaciones.
Apropiado
Comprender los conceptos de sobreajuste y subajuste y utilizar técnicas para detectarlos y prevenirlos.
Regresión
Analiza diferentes modelos de regresión y su adecuación para distintos escenarios. Identifica la linealidad entre variables y crea mapas de correlación.
Algoritmos
Enumere diferentes tipos de algoritmos de clasificación y comprenda sus aplicaciones específicas.
No supervisado
Domina diferentes tipos de métodos de aprendizaje no supervisado y sabe cuándo utilizarlos. Adquiere un profundo entendimiento de las distintas técnicas de agrupamiento en el aprendizaje no supervisado.
Modelado
Explora diferentes técnicas de modelado de ensambles, como el bagging, boosting y stacking.
Comparar
Evaluar y comparar diferentes marcos de trabajo de aprendizaje automático, incluyendo TensorFlow y Keras.
PyTorch
Construye un motor de recomendaciones con PyTorch
Visualización
Creando visualizaciones con Matplotlib, Seaborn, Plotly y Bokeh.
¿Quién debería inscribirse en este programa?
Un destacado ingeniero de datos construye y mantiene estructuras de datos y arquitecturas para la ingesta, procesamiento y despliegue de datos en aplicaciones a gran escala e intensivas en datos. Es una carrera prometedora tanto para profesionales nuevos como experimentados con pasión por los datos, que incluye:
Científico de Datos
Ingeniero de aprendizaje automático
Ingeniero en Inteligencia Artificial
Desarrollador de Inteligencia Empresarial
Ingeniero de Software
Científico de Investigación en IA
Ingeniero en Procesamiento de Lenguaje Natural
Gerente de Producto de IA
Elegibilidad
Elegibilidad
El curso de certificación en Aprendizaje Automático utilizando Python es adecuado para participantes de nivel intermedio, incluyendo gerentes de análisis, analistas de negocios, arquitectos de información, desarrolladores que buscan convertirse en ingenieros de aprendizaje automático o científicos de datos, y graduados que buscan una carrera en ciencia de datos y aprendizaje automático.
Requisitos previos
Los estudiantes necesitan poseer un título universitario o un diploma de escuela secundaria. Un entendimiento de estadísticas básicas y matemáticas a nivel universitario. También es beneficioso tener familiaridad con la programación en Python. Antes de comenzar con la capacitación de certificación en aprendizaje automático de Python, se debe comprender cursos fundamentales, incluyendo Python para ciencia de datos, repasos de matemáticas y estadísticas esenciales para la ciencia de datos.
Preguntas Frecuentes
¿Necesitas una solución corporativa o integración de LMS?
¿No encontraste el curso o programa que encajaría para tu empresa? ¿Necesitas integración con un LMS? ¡Escríbenos! ¡Resolveremos todo!