Machine Learning: Aplicado a Python y Data Science

Aprende a crear algoritmos de Machine Learning en Python para estudiantes y profesionales

4.00 (14 reviews)
Udemy
platform
Español
language
Data Science
category
instructor
Machine Learning: Aplicado a Python y Data Science
2,474
students
2.5 hours
content
Feb 2023
last update
$49.99
regular price

What you will learn

Aprender a programar en Python y Scikit learn aplicado a la regresión de Machine Learning

Aprender a resolver problemas de regresión (regresión lineal y regresión logística)

Aprenda las matemáticas que hay detrás de los árboles de decisión

Comprender la teoría subyacente a las técnicas de regresión lineal simple y múltiple

Aprenda la teoría y la aplicación práctica de la regresión logística con sklearn

Conozca los diferentes algoritmos de agrupación

Description

Para entender cómo organizaciones como Google, Amazon e incluso Udemy utilizan el Machine Learning y la inteligencia artificial (IA) para extraer el significado y los conocimientos de enormes conjuntos de datos , este curso de Machine Learning te proporciona lo esencial. Según Glassdoor y Indeed, los científicos de datos ganaron un sueldo medio de 120.000 dólares, ¡y eso es solo la norma!


Cuando se trata de ser atractivo, los científicos de datos ya lo son. En un mercado laboral altamente competitivo, es difícil retenerlos una vez contratados. Las personas con una mezcla única de formación científica, experiencia informática y capacidad de análisis son difíciles de encontrar.


Al igual que los "quants" de Wall Street de los años ochenta y noventa, se espera que los científicos de datos de hoy en día tengan un conjunto de habilidades similares. Las personas con formación en física y matemáticas acudieron a los bancos de inversión ya los fondos de cobertura en aquella época porque pudieron idear algoritmos y métodos de datos novedosos.


Dicho esto, la ciencia de los datos se está convirtiendo en una de las ocupaciones más adecuadas para el éxito en el siglo XXI. Se trata de una profesión informatizada, basada en la programación y de naturaleza analítica. Por lo tanto, no es de extrañar que la necesidad de científicos de datos haya preocupado en el mercado laboral en los últimos años.


La oferta, en cambio, ha sido bastante restringida. Es un reto conseguir los conocimientos y habilidades necesarios para ser contratado como científico de datos .


En este curso, las notaciones y matemáticas la jerga se reducen a lo más básico, cada tema se explica en un lenguaje sencillo, lo que facilita su comprensión. Una vez que tengas en tus manos el código, podrás jugar con él y construir sobre él. El énfasis de este curso está en entender y usar estos algoritmos en el mundo real , no en un contexto teórico o académico.


Saldrás de cada vídeo con una nueva idea que podrás poner en práctica de inmediato.


Todos los niveles de habilidad son bienvenidos en este curso, e incluso si no tienes experiencia estadística previa, ¡podrás tener éxito!

Content

Introducción al Machine Learning

¿Qué es el Machine Learning?
Aplicaciones del Machine Learning
Métodos de Machine Learning
¿Qué es el aprendizaje Supervisado?
¿Qué es el aprendizaje No Supervisado?
Aprendizaje Supervisado vs aprendizaje No Supervisado
Materiales del curso

Opcional: Configuración de Python e Implementación de Algoritmos ML

Introducción
Bibliotecas Python para Machine Learning
Configuración de Python
¿Qué es Jupyter?
Instalación de Anaconda Windows Mac
Implementación de Python en Jupyter
Gestión de directorios en Jupyter Notebook

Regresión Lineal Simple

Introducción a la Regresión
¿Cómo funciona la Regresión Lineal?
Representación Lineal
Implementación en Python: Importación de bibliotecas y conjuntos de datos
Implementación en Python: Distribución de los datos
Implementación en Python: Creación de un objeto de regresión lineal

Regresión Lineal Múltiple

Comprender la Regresión Lineal Múltiple
Implementación en Python: Exploración del conjunto de datos
Implementación en Python: Codificación de datos categóricos
Implementación en Python: División de los datos en conjuntos de ensayo y prueba
Implementación en Python: Entrenamiento del modelo en conjunto de entrenamiento
Implementación en Python: Predicción de los resultados del conjunto de prueba
Evaluación del rendimiento del modelo de regresión
Error Cuadrático Medio en Python
Momento del Quiz

Algoritmos de Clasificación: K-Nearest Neighbors

Introducción a la Clasificación
Algoritmo K-Nearest Neighbors
Ejemplo de KNN
K-Nearest Neighbours (KNN) con python
Implementación en Python: Importación de las bibliotecas necesarias
Implementación en Python: Importación del conjunto de datos
Implementación en Python: División de los datos en conjuntos de ensayo y prueba
Implementación en Python: Escalado de características
Implementación en Python: Importación del clasificador KNN
Implementación en Python: Predicción de resultados y matriz de confusión
Momento del Quiz

Algoritmos de Clasificación: Árbol de Decisión

Introducción a los Árboles de Decisión
¿Qué es la Entropía?
Exploración del conjunto de datos
Estructura del Árbol de Decisión
Implementación en Python: Importación de bibliotecas y conjuntos de datos
Implementación en Python: Codificación de datos categóricos
Implementación en Python: División de datos en conjuntos entrenamiento y prueba
Implementación en Python: Predicción de resultados y precisión
Momento del Quiz

Algoritmos de Clasificación: Regresión Logística

Introducción
Pasos de implementación
Implementación en Python: Importación de bibliotecas y conjuntos de datos
Implementación en Python: División de los datos en conjuntos de ensayo y prueba
Implementación en Python: Pre-procesamiento
Implementación en Python: Entrenamiento del modelo
Implementación en Python: Predicción de resultados y matriz de confusión
Regresión logística vs Regresión lineal
Momento del Quiz

Clustering

Introducción al clustering
Casos prácticos
Algoritmo de clustering K-Means
Método Elbow
Pasos del método Elbow
Implementación en Python
Clustering jerárquico
Clustering basado en la densidad
Implementación del clustering k-means en Python
Importación del conjunto de datos
Visualización del conjunto de datos
Definir el clasificador
Visualización 3D de los clusters
Visualización 3D de los valores predichos
Número de clusters predichos
Momento del Quiz

Sistema de Recomendación

Introducción
El filtrado colaborativo en los sistemas de recomendación
Sistema de recomendación basado en contenidos
Implementación en Python: Importación de bibliotecas y conjuntos de datos
Fusión de conjuntos de datos en un marco de datos
Clasificación por título y puntuación
Histograma del número de valoraciones
Distribución de frecuencias
Gráfico conjunto de las valoraciones y el número de valoraciones
Preprocesamiento de datos
Clasificación de las películas más valoradas
Obtención de las valoraciones de dos películas
Correlación entre las películas más valoradas
Ordenación de los datos por correlación
Filtrado de películas
Ordenar valores
Repetición del proceso para otra película
Momento del Quiz

Conclusión

Conclusión

Coupons

DateDiscountStatus
2/7/2023100% OFF
expired
2/7/2023100% OFF
expired
2/11/202380% OFF
expired
3/18/2023100% OFF
expired
3/21/2023100% OFF
expired
4904202
udemy ID
9/28/2022
course created date
2/7/2023
course indexed date
Bot
course submited by