Udemy

Platform

Español

Language

Other

Category

Machine Learning y Data Science: Curso Completo con Python 3

Aprende Machine Learning y Data Science con Python 3, ¡conviértete en un experto en Machine Learning con Python!

4.68 (197 reviews)

Students

31.5 hours

Content

May 2021

Last Update
Regular Price


What you will learn

Los algoritmos y fundamentos más relevantes del Machine Learning

La aplicación de técnicas de Machine Learning a casos prácticos reales

El desarrollo e implementación de sistemas de Machine Learning con Python 3

Las intuiciones matemáticas necesarias para comprender las técnicas actuales y futuras de Machine Learning

Las técnicas necesarias para crear un proyecto real completo de Machine Learning utilizando Python

La ejecución de algoritmos de Machine Learning en entornos offline y online

La aplicación de técnicas de Machine Learning a problemas reales dentro del dominio de la Ciberseguridad

El uso de algoritmos de Machine Learning para la realización de predicciones y la resolución de tareas complejas


Description

¡Hola a todos y bienvenidos a este curso sobre los fundamentos del Machine Learning y su aplicación en la solución de problemas reales mediante el uso de Python 3!

Mi nombre es Santiago Hernández y voy a ser vuestro instructor a lo largo de este programa formativo, tenéis más información sobre mí en la biografía o en el vídeo “Presentación del instructor”.

A lo largo de este curso sobre Machine Learning y Data Science presentaré, desde un nivel muy básico y al alcance de todo tipo de perfiles, los fundamentos teóricos y matemáticos que se necesitan para comprender en detalle el funcionamiento de los algoritmos de aprendizaje automático y las técnicas de ciencia de datos más importantes en la actualidad.

Para ello, utilizaré el enfoque que mejores resultados me ha proporcionado al impartir este tipo de clases en diferentes universidades, un enfoque práctico, en el que veréis como se desarrollan las diferentes funciones y ecuaciones matemáticas de mi puño y letra.

Representaré gráficamente todas las intuiciones matemáticas en las que se fundamenta el Machine Learning, de manera que, cualquier persona pueda comprenderlas y avanzar con las siguientes secciones. Este no es un curso para matemáticos, es un curso para todos aquellos que quieren adentrarse en el dominio del aprendizaje automático aprendiendo unas bases sólidas que le permitan solucionar problemas reales mediante la implementación en Python 3 de las principales técnicas existentes y comprender aquellos algoritmos que surjan en el futuro.

A medida que vayamos construyendo y comprendiendo estos fundamentos teóricos, iremos aplicándolos a casos de uso prácticos en los que utilizaremos conjuntos de datos reales. Yo soy un firme creyente de que aquellas cosas que se aprenden de manera teórica deben saberse aplicar a casos de uso prácticos para sacarles todo el rendimiento posible, y esto es exactamente lo que haremos a lo largo del curso. En estos casos prácticos, trataremos de resolver diferentes problemas que existen en la actualidad mediante la aplicación de Machine Learning y Data Science en dominios tan interesantes como la Ciberseguridad utilizando el lenguaje de programación Python 3. Por supuesto, desde el primer momento dispondréis de todo el código fuente y de la posibilidad de utilizarlo para vuestros propios desarrollos.

La inteligencia Artificial y más concretamente el Machine Learning, ha sido percibida en muchas ocasiones como una disciplina compleja al alcance de unos pocos profesionales. Este curso ha sido creado para refutar esta creencia y demostrar que cualquier persona con suficiente interés puede convertirse en un profesional del aprendizaje automático, inscríbete ahora y compruébalo tú mismo.


Temario del curso

  1. Bienvenido al curso: Machine Learning desde cero. Proyectos reales en Python 3

  2. Machine Learning: Contexto y Motivación

  3. Introducción y creación el entorno de aprendizaje para Python 3: Jupyter Notebook, Jupyter Lab, Google Colaboratory, Numpy, Pandas, Matplotlib

  4. ¿Qué es el Machine Learning?: Aprendizaje Supervisado, Aprendizaje no Supervisado, Aprendizaje Online, Aprendizaje Batch, Aprendizaje basado en Instancias, Aprendizaje basado en Modelos

  5. Regresión y Clasificación: Regresión Lineal, regresión Logística

  6. Creación de un proyecto de Machine Learning: Visualización del conjunto de datos, Overfitting, Underfitting, Evaluación, Selección del modelo

  7. Support Vector Machines (SVM): Hard Margin Classification, Soft Margin Classification, Modelo Lineal, Kernels

  8. Árboles de decisión y conjuntos de árboles: Árbol de decisión, Gini Impurity, Ensemble Learning, Bagging, Pasting, Boosting, Stacking, Random Forests

  9. Selección y Extracción de características

  10. Algoritmos de Clustering: Kmeans, Dbscan, Purity Score, Silhouette coefficient, Calinski & Harabasz index

  11. Algoritmos de Machine Learning basados en probabilidad: Teorema de Bayes, Naive Bayes, Bernoulli Naive Bayes, Gaussian Naive Bayes

  12. Algoritmos de Machine Learning para la detección de anomalías: Gaussian distribution, Multivariate Gaussian distribution, Random Forest

  13. Redes Neuronales Artificiales y Deep Learning: Threshold Logic Unit, Percetrón, Perceptrón Multicapa, Redes Neuronales Profundas

  14. Despedida del curso: Machine Learning desde cero. Proyectos reales en Python 3


Screenshots

Machine Learning y Data Science: Curso Completo con Python 3
Machine Learning y Data Science: Curso Completo con Python 3
Machine Learning y Data Science: Curso Completo con Python 3
Machine Learning y Data Science: Curso Completo con Python 3

Content

Bienvenida al curso

Presentación del curso

Presentación del instructor

Contexto y Motivación

Contexto actual de la Inteligencia Artificial

Machine Learning y Ciberseguridad

Introducción y creación el entorno de aprendizaje

Preparación del entorno de aprendizaje

Jupyter Notebook y Jupyter Lab

Caso Práctico: Preparación del entorno offline

Caso Práctico: Preparación del entorno online

Principales librerías de Machine Learning

Caso Práctico: Introducción a Numpy

Caso Práctico: Introducción a Pandas

Caso Práctico: Introducción a Matplotlib

Descarga de los conjuntos de datos y acceso a los casos prácticos

¿Qué es el machine learning?

¿Qué es el Machine Learning?

Clasificación de los sistemas de Machine Learning

Algoritmos de aprendizaje supervisado

Algoritmos de aprendizaje no supervisado

Aprendizaje online y batch

Aprendizaje basado en instancias y basado en modelos

Regresión y Clasificación

Regresión Lineal: Introducción

Regresión Lineal: Construcción del modelo

Regresión Lineal: Función de coste

Regresión Lineal: Función de optimización

Caso práctico: Prediciendo el coste de un incidente de seguridad

Regresión Logística: Introducción

Regresión Logística: Representación de la función hipótesis

Regresión Logística: Construcción del modelo

Regresión Logística: Interpretación de la función hipótesis

Regresión Logística: Función de coste

Regresión Logística: Función de optimización

Clasificación y Ciberseguridad

Caso Práctico: Construyendo un detector de SPAM

Creación de un proyecto de Machine Learning

Conjunto de datos

Caso Práctico: Visualización del conjunto de datos

Overfitting y Underfitting

Soluciones al Overfitting

Evaluación de la función hipótesis

Selección del modelo

Caso Práctico: División del conjunto de datos

Preparación del conjunto de datos

Caso Práctico: Preparación del conjunto de datos

Caso Práctico: Creación de Pipelines y Transformadores personalizados

Evaluación de los resultados

Caso Práctico: Evaluación de los resultados

Support Vector Machines (SVM)

SVM: Introducción

SVM: Hard Margin Classfication

SVM: Construcción del modelo lineal - Función de coste

SVM: Construcción del modelo lineal - Función hipótesis

SVM: Soft Margin Classification

SVM: Kernels - Regresión Polinómica

SVM: Kernels - Gaussian Kernel

Caso Práctico: Detección de URLs maliciosas

Árboles de decisión y conjuntos de árboles

Árboles de decisión: Introducción

Árboles de decisión: Gini Impurity

Árboles de decisión: Entrenamiento del algoritmo

Árboles de decisión: Clasificación y Función de Coste

Árboles de decisión: Regresión y función de coste

Limitaciones de los árboles de decisión

Caso Práctico: Detección de malware en Android

Ensemble Learning: Introducción

Ensemble Learning: Bagging y Pasting

Ensemble Learning: Random Forests

Ensemble Learning: Boosting y Stacking

Caso Práctico: Detección de malware en Android (II)

Selección y Extracción de características

Caso Práctico: Selección del modelo

Selección de características

Caso Práctico: Selección de características

Extracción de características

Caso Práctico: Extracción de características - PCA

Algoritmos de Clustering

¿Qué es el clustering?

Técnicas de clustering: KMEANS

Técnicas de clustering: DBSCAN

Evaluación de los resultados de Clustering

Clustering y Ciberseguridad (Opcional)

Caso Práctico: Detección de transacciones bancarias fraudulentas (I)

Caso Práctico: Detección de transacciones bancarias fraudulentas (II)

Algoritmos probabilísticos

¿Qué es la probabilidad?

Naive Bayes: Introducción

Funcionamiento del Teorema de Bayes

Funcionamiento del algoritmo Naive Bayes

Caso Práctico: Construcción de un filtro de detección de SPAM

Detección de anomalías

¿Qué es la detección de anomalías?

Distribución Gaussiana: Introducción

Distribución Gaussiana: Estimación de los parámetros

Distribución Gaussiana: Funcionamiento de algoritmo

Distribución Gaussiana: Selección del Threshold

Distribución Gaussiana Multivariante

Caso Práctico: Detección de transacciones bancarias fraudulentas

Isolation Forest: Introducción

Isolation Forest: Funcionamiento del algoritmo

Isolation Forest: Construcción del modelo

Caso Práctico: Detección de transacciones bancarias fraudulentas

Redes Neuronales Artificiales

Introducción a las Redes Neuronales Artificiales

Perceptrón: Neuronas Artificiales (TLU)

Perceptrón: Construcción del modelo

Perceptrón multicapa

Aprendizaje RNAs: Gradient Descent y Backpropagation (I)

Aprendizaje RNAs: Gradient Descent y Backpropagation (II)

Tipos de Redes Neuronales Artificiales

Caso Práctico: Detección de transacciones bancarias fraudulentas

Despedida del curso

Despedida del curso


Reviews

A
Alejandro28 January 2021

Santiago, primero que todo quisiera darte mis mas sinceros agradecimientos por el tiempo que utilizaste para el desarrollo de este curso, por lo demás, quisiera decirte que es un excelente curso, la forma que lo estructuraste con una parte teórica la cual es fundamental para su entendimiento y la parte práctica que nos lleva a comprender mucho mejor los resultados y conocimientos adquiridos en la parte teórica, es sin lugar a dudas el gran acierto del curso, adicionalmente, la forma en que explicas nos hace ver todo con una claridad y facilidad que nos lleva a querer seguir aprendiendo. Saludos desde la ciudad jardín de Colombia

D
Damian17 January 2021

Para mí, que tengo conocimientos previos, y soy muy aficionado a Naive Bayes y K-means, me es muy útil el curso. Ejemplos con valores en vez de demostraciones teóricos.

J
Juan9 January 2021

Domina el tema pero no la pedagogía, los slide de 99.9% texto no sirven. Monótono 100%. Hasta la lección 19 no he programado una sola línea.

M
Manuel8 November 2020

Un curso espectacular, tanto por la calidad del contenido como la excelente explicación del profesor cuidando el detalle. Espero que pronto aparezca otro curso de Santiago mas en detalle de Deep learning Muchas gracias por tu esfuerzo

I
Ismael21 October 2020

Este curso es sin duda el mejor de ML que hay por la plataforma. No sólo por cómo explica Santiago, sino por la calidad del contenido, notebooks, etc. Además de enseñar de forma teórica y práctica los algoritmos, hace hincapie en un aspecto que en otros cursos es deficiente: interpretación de resultados y uso y explicación de las métricas para evaluar los modelos. Muy acertado focalizarlo en ciberseguridad. Le ánimo a realizar otro curso sobre redes neuronales, o incluso sobre obtención de características para aplicar en los modelos en el ámbito de la ciberseguridad. Enhorabuena

J
Jair2 August 2020

Es un tema interesante que requiere bastante conocimiento de estadística, el profesor es claro a pesar de su complejidad.

M
Michael9 July 2020

Me gusto mucho el contenido del curso. Recomiendo este curso tanto por lo teórico como practico que se vio.

J
José30 May 2020

Abarca los puntos que esperaba, y me gustó mucho que se combinará "para resolver problemas relacionados sobre ciberseguridad". Incluye dos temas que me interesan, ciberseguridad y aprender nuevas habilidades.

C
Cristina20 May 2020

Me parece que es un curso que esta muy bien enfocado, al instructor se le entiende perfectamente y hasta el momento me esta gustando mucho.

N
Nicolas15 May 2020

Muy buen curso, te enseña de una manera amigable la teoría detrás de los modelos para entender que hacen y como lo hacen, el profesor esta muy atento a las preguntas con explicaciones muy completas. Uno de los mejores cursos que he tomado.

j
jordy9 May 2020

Me intriga mucho lo que pueda pasar con la IA en el futuro, por ende, me gusta el concepto en el que nos encontramos hoy en día, en el cual nos queda mucho por desarrollar y avanzar.

C
Carlos7 May 2020

De momento me está gustado. Los ejercicios son muy prácticos y sin una base previa estoy entendiendo todo.

P
Paula7 May 2020

Me gusta como explica el instructor. La forma en la que enseña con el lápiz digital dibujando sobre las diapositivas me parece excelente para este tipo de cursos

J
Juan6 May 2020

De momento todo muy bien. Las explicaciones del instructor son muy claras y los ejercicios interesantes

J
José4 May 2020

Sin duda alguna Santiago es un excelente tutor, no siempre se encuentran cursos así donde tanto la parte teórica como práctica son bien explicadas y menos aplicando la teoria a proyectos reales. Te agradezco por tus conocimientos y ojalá te animes a hacer un curso sobre deep learning o alguno relacionado al mundo de las ciencias de datos. Muchas gracias!!!


2722404

Udemy ID

12/26/2019

Course created date

4/30/2020

Course Indexed date
Bot
Course Submitted by