Certificación en Machine Learning con Python

¿Qué aprenderás?

1. Repaso de matemáticas

   Curso gratuito 1

   • Probabilidad y estadística
   • Geometría analítica
   • Álgebra lineal
   • Valores propios, vectores propios y descomposición en valores propios
   • Introducción al cálculo

2. Estadística esencial para la ciencia de datos

   Curso gratuito 2

   • Introducción a la estadística
   • Comprender los datos
   • Estadística descriptiva
   • 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 guiada

3. Introducción

   Lección 01

   Comienza este programa familiarizándote con las secciones del curso y los temas que se abordarán. Esto te ayudará a prepararte para las próximas sesiones.

4. Introducción al aprendizaje automático

   Lección 02

   El curso aborda los conceptos básicos del aprendizaje automático, incluida su definición y sus distintos tipos. También profundiza en el flujo de trabajo del aprendizaje automático, MLOps y AutoML, y ofrece una visión del despliegue de modelos de aprendizaje automático a gran escala. Además, se presentan a los estudiantes los principales paquetes de Python para tareas de aprendizaje automático, lo que les permite aprovechar el sólido ecosistema de Python para desarrollar soluciones de aprendizaje automático.

   Temas:

   • ¿Qué es el aprendizaje automático?
   • Diferentes tipos de aprendizaje automático
   • Flujo de trabajo de aprendizaje automático, MLOps y AutoML
   • Introducción a los paquetes de Python para el aprendizaje automático

5. Aprendizaje supervisado

   Lección 03

   La sección sobre aprendizaje supervisado explora sus aplicaciones prácticas en distintos ámbitos e incluye debates sobre su relevancia e importancia en situaciones del mundo real. Los estudiantes realizan actividades prácticas para preparar y estructurar los datos destinados a tareas de aprendizaje supervisado, seguidas de debates sobre el sobreajuste y el subajuste. Además, se proponen ejercicios prácticos para detectar y evitar estos problemas, así como explicaciones 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

6. La regresión y su aplicación

   Lección 04

   Este módulo explora los fundamentos del análisis de regresión y aborda su definición y sus distintos tipos, como la regresión lineal, logística, polinómica, ridge y lasso. Se examinan los supuestos fundamentales de la regresión lineal y se realizan ejercicios prácticos para adquirir experiencia en la creación de modelos de regresión lineal. Los participantes también explorarán los datos mediante técnicas como el sobremuestreo SMOTE y prepararán, construirán y evaluarán modelos de regresión para dominar el análisis de regresión.

   Temas:

   • ¿Qué es la regresión?
   • Tipos de regresión
   • Regresión lineal
   • Supuestos fundamentales de la regresión lineal
   • Regresión logística
   • Sobremuestreo con SMOTE
   • Regresión polinómica
   • Regresión de cresta
   • Regresión Lasso

7. Clasificación y aplicaciones

   Lección 05

   Esta sección abarca los algoritmos de clasificación y sus definiciones, tipos y aplicaciones, así como la elección de los parámetros de rendimiento. A través de debates y ejercicios guiados, los participantes profundizan en diversas técnicas de clasificación, como Bayes ingenuo, descenso de gradiente estocástico, k vecinos más cercanos, árboles de decisión, bosques aleatorios, Boruta y máquinas de vectores de soporte. También se analizan conceptos clave, como el coeficiente kappa de Cohen, y posteriormente se realizan evaluaciones de conocimientos para afianzar la comprensión.

   Temas:

   • ¿Qué son los algoritmos de clasificación?
   • Diferentes tipos de clasificación
   • Tipos de aplicaciones y selección de parámetros de rendimiento
   • Bayes ingenuo
   • Descenso de gradiente estocástico
   • Poblaciones de k vecinos
   • Árbol de decisión Bosque aleatorio
   • Boruta
   • Máquina de vectores de soporte
   • El manto de Cohen

8. Algoritmos no supervisados

   Lección 06

   Esta sección introduce a los estudiantes en los algoritmos de aprendizaje no supervisado y aborda sus tipos, aplicaciones y parámetros de rendimiento. Los participantes realizan 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 ilustran mediante ejercicios guiados que refuerzan la comprensión de los conceptos del aprendizaje no supervisado.

   Temas tratados:

   • Algoritmos no supervisados
   • Diferentes tipos de algoritmos no supervisados
   • ¿Cuándo utilizar algoritmos no supervisados?
   • Parámetros de rendimiento
   • Tipos de agrupamiento
   • Agrupamiento de K-medias
   • Algoritmo de k-medoides
   • Valores atípicos
   • 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 mediante jerarquías (BIRCH)

9. Aprendizaje por conjuntos

   Lección 07

   Esta sección aborda los algoritmos de clasificación y sus definiciones, tipos y aplicaciones, así como la elección de los parámetros de rendimiento. Mediante debates y ejercicios guiados, los participantes profundizan en diversas técnicas de clasificación, como el clasificador bayesiano ingenuo, el descenso de gradiente estocástico, los k vecinos más cercanos, los árboles de decisión, los bosques aleatorios, Boruta y las máquinas de vectores de soporte. También se analizan conceptos clave, como el coeficiente kappa de Cohen, y posteriormente se realizan comprobaciones de conocimientos para reforzar la comprensión.

   Temas:

   • ¿Qué son los algoritmos de clasificación?
   • Diferentes tipos de clasificación
   • Tipos de aplicaciones y elección de parámetros de rendimiento
   • Bayes ingenuo
   • Descenso de gradiente estocástico
   • Poblaciones de K vecinos
   • Árbol de decisión Bosque aleatorio
   • Boruta
   • Máquina de vectores de soporte
   • El manto de Cohen

10. Sistemas de recomendación

    Lección 08

    Este módulo ofrece una visión integral de los motores de recomendación y explora sus principios y mecanismos subyacentes. Los participantes se familiarizan con diversos casos de uso y ejemplos de sistemas de recomendación y adquieren conocimientos sobre su diseño e implementación. Mediante ejercicios prácticos, aplican técnicas de filtrado colaborativo, como el modelado basado en memoria, el filtrado basado en elementos y en usuarios, y el filtrado colaborativo basado en modelos. Además, exploran la reducción de dimensionalidad, los métodos de factorización de matrices y las matrices de exactitud en el aprendizaje automático para evaluar y optimizar el rendimiento de los motores de recomendación.

    Temas:

    • ¿Cómo funcionan los sistemas de recomendación?
    • Casos de uso de los sistemas de recomendación
    • Ejemplos de sistemas de recomendación y cómo se diseñan ¨
    • Uso de PyTorch para crear un motor de recomendaciones.

11. Proyectos industriales

    Al final del curso, realizarás dos proyectos. Aplicarás todo lo que has aprendido y adquirirás experiencia práctica con tus nuevos conocimientos.

    • Proyecto 1: Análisis de la rotación de personal: crear programas de aprendizaje automático para predecir la rotación de personal, que incluyan controles de calidad de los datos, análisis exploratorio de datos, agrupamiento, etc., y proponer estrategias de retención del personal basadas en las probabilidades estimadas.
    • Proyecto 2: Segmentación de canciones: realizar un análisis exploratorio de datos y un análisis de conglomerados para crear grupos de canciones.