Curso online
Duración : 5 Semanas
Emagister S.L. (responsable) tratará tus datos personales con la finalidad de gestionar el envío de solicitudes de información y comunicaciones promocionales de formación con tu consentimiento. Ejerce tus derechos de acceso, supresión, rectificación, limitación, portabilidad y otros, según se indica en nuestra política de privacidad.
Objetivos
En este curso aprenderás a desarrollar diversos algoritmos y los fundamentos del machine learning, conociendo las diferencias y aplicabilidades de cada uno de ellos. Comenzando con las técnicas más básicas hasta los algoritmos más avanzados de deep learning. Aprenderás a programar diversos algoritmos con R y Python, los lenguajes más utilizados en el aprendizaje automático. En cada vídeo, se realizará una introducción y se presentará una base teórica, para posteriormente ponerlo en práctica con diversos conjuntos de datos. El objetivo es que domines la materia y puedas implementar aplicaciones prácticas completas en cualquier ámbito, pudiendo explicar el funcionamiento de cada algoritmo a cualquier persona, mejorando tu carrera profesional y abriéndote oportunidades laborales en el mundo de análisis de datos tan demandado hoy en día.
Requisitos
No son necesarios conocimientos previos, aunque se recomienda tener nociones básicas de matemáticas y programación.
Temario completo de este curso
0.0 Introducción
0.1 Álgebra Lineal
0.2 Cálculo
0.3 Estadística Descriptiva
0.4 Estadística Inferencial
0.5 Caso Práctico
1. Tratamiento de datos en R
1.0 Introducción
1.1 Introducción a R
1.2 Estructuras de Datos en R
1.3 Manipulación de dataframes
1.4 Limpieza y transformación de datos
1.5 Relación entre variables
1.6 Visualización
1.7 Caso Práctico
2. Conceptos de Machine Learning
2.0 Introducción
2.1 Conceptos generales de Machine Learning
2.2 Técnicas de Machine Learning
2.3 Entrenamiento y evaluación de modelos
2.4 Conceptos de overfitting y underfitting
2.5 Métricas de desempeño de modelos
2.6 Caso Práctico
3. Aprendizaje supervisado
3.0 Introducción
3.1 Regresión Lineal
3.2 Regresión Logística
3.3 Redes neuronales
3.3.1 Redes Neuronales (Parte I)
3.3.2 Redes Neuronales (Parte II)
3.4 Árboles de Decisión
3.5 Random Forest y Gradient Boosting
3.6 Importancia de Variables
3.7 Caso Práctico
4. Aprendizaje no supervisado
4.0 Introducción
4.1 Algoritmos de agrupación
5. Deep Learning
5.1 Redes Neuronales Convolucionales (Teoría)
5.2 Redes Neuronales Convolucionales (Práctica)
5.3 Caso Práctico Módulo 5