Data science y machine learning en Python: modelos lineales

¿Por qué estudiar ciencia de datos?

Las empresas tienen un problema: recolectan y guardan enormes cantidades de datos en su día a día. El problema es que no tienen las herramientas y capacidades para extraer conocimiento y tomar decisiones a partir de esos datos. Pero eso está cambiando. Desde hace algunos años, la demanda de científicos de datos ha crecido exponencialmente. Tanto es así, que el número de personas con estas habilidades no es suficiente para cubrir todas las vacantes que hay. Una búsqueda básica en Glassdoor o Indeed te revelará por qué los salarios de los científicos de datos han crecido tanto en los últimos años.

¿Por qué este curso?

Casi todos los cursos que existen son demasiado teóricos o demasiado prácticos. Los cursos de universidad no suelen desarrollar las habilidades necesarias para enfrentarse a problemas de ciencia de datos desde cero, ni te enseñan a utilizar el software necesario de forma fluida. Por otra parte, muchos cursos y bootcamps online enseñan a utilizar estas técnicas sin llegar a entenderlas en profundidad, pasando por la teoría de forma superficial.

Nuestro curso combina lo mejor de cada método. Por una parte, veremos de dónde surgen y por qué se utilizan estos métodos, entendiendo por qué funcionan de la forma que lo hacen. Por otra, vamos a programar estos métodos desde cero, utilizando las librerías más populares de la ciencia de datos y el machine learning en Python. Solo cuando hayas entendido exactamente cómo funciona cada algoritmo, aprenderemos a usarlos con las librerías avanzadas de Python.

Contenido del curso

• Introducción al machine learning y a la ciencia de datos.

• Regresión lineal simple. Aprenderemos a estudiar la relación entre distintos fenómenos.

• Regresión lineal multiple. Crearemos modelos de más de una variable para estudiar el comportamiento de una variable de interés.

• Regresión lasso. Versión avanzada de la regresión lineal múltiple con la capacidad de filtrar las variables más útiles.

• Regresión ridge. Versión más estable de la regresión lineal múltiple.

• Regresión logística. Algoritmo de clasificación y detección más popular. Nos permitirá estudiar la relación entre distintas variables y unas determinadas clases de objeto.

• Regresión de Poisson. Algoritmo que nos permitirá como afectan varias variables al número de veces que ocurre un evento.

• Conceptos centrales en la ciencia de datos (overfitting vs underfitting, validación cruzada, preparación de variables, etc).

¿Tienes dudas? Recuerda que tenemos una garantía de devolución total del dinero de 30 días. Sin riesgo para ti. Así de convencidos estamos de que el curso te gustará.