Udemy

Platform

Español

Language

Data Science

Category

Machine Learning de A a la Z: R y Python para Data Science

Aprende a crear algoritmos de Machine Learning en Python y R con expertos en Data Science. Con código fuente incluido!

4.66 (1959 reviews)

Students

51.5 hours

Content

Jul 2021

Last Update
Regular Price

SKILLSHARE
SkillShare
Unlimited access to 30 000 Premium SkillShare courses
30-DAY FREE TRIAL

What you will learn

Dominar el Machine Learning con R y con Python.

Tener intuición en la mayoría de modelos de Machine Learning.

Hacer predicciones precisas y acertadas.

Crear unos análisis elaborados.

Crear modelos de Machine Learning robustos y consistentes.

Crear valor añadido a tu propio negocio.

Utilizar el Machine Learning para cuestiones personales.

Dominar aspectos específicos como por ejemplo Reinforcement Learning, NLP o Deep Learning

Conocer las técnicas más avanzadas como la reducción de la dimensionalidad.

Saber qué modelo de Machine Learning usar para cada tipo de problema.

Crear toda una librería de modelos de Machine Learning y saber cómo combinarlos para resolver cualquier problema.

Incluye el libro oficial de preguntas típicas de machine learning, creado a partir de las dudas de los estudiantes con más ejemplos y respuestas a tus posibles dudas.


Description

Apúntate a nuestro Curso de Machine Learning de la A a la Z. R y Python para Data Science.

¿Estás interesado en conocer a fondo el mundo del Machine Learning? Entonces este curso está diseñado especialmente para ti!!

Este curso ha sido diseñado por Data Scientists profesionales para compartir nuestro conocimiento y ayudarte a aprender la teoría compleja, los algoritmos y librerías de programación de un modo fácil y sencillo.

En él te guiaremos paso a paso en el mundo del Machine Learning. Con cada clase desarrollarás nuevas habilidades y mejorarás tus conocimientos de este complicado y lucrativa sub rama del Data Science.

Este curso es divertido y ameno pero al mismo tiempo todo un reto pues tenemos mucho de Machine Learning por aprender. Lo hemos estructurado del siguiente modo:

Partes del curso

  • 1ª Parte – Preprocesamiento de datos

  • 2ª Parte – Regresión: Regresión Lineal Simple, Regresión Lineal Múltiple, Regresión Polinomial, SVR, Regresión en Árboles de Decisión y Regresión con Bosques Aleatorios

  • 3ª Parte – Clasificación: Regresión Logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación con Árboles de Decisión y Clasificación con Bosques Aleatorios

  • 4ª Parte – Clustering: K-Means,  Clustering Jerárquico

  • 5ª Parte – Aprendizaje por Reglas de Asociación: Apriori, Eclat

  • 6ª Parte – Reinforcement Learning: Límite de Confianza Superior, Muestreo Thompson

  • 7ª Parte – Procesamiento Natural del Lenguaje: Modelo de Bag-of-words  y algoritmos de NLP

  • 8ª Parte – Deep Learning: Redes Neuronales Artificiales y Redes Neuronales Convolucionales

  • 9ª Parte – Reducción de la dimensión: ACP, LDA, Kernel ACP

  • 10ª Parte – Selección de Modelos & Boosting: k-fold Cross Validation, Ajuste de Parámetros, Grid Search, XGBoost

Además, el curso está relleno de ejercicios prácticos basados en ejemplos de la vida real, de modo que no solo aprenderás teoría, si no también pondrás en práctica tus propios modelos con ejemplos guiados.

Y como bonus, este curso incluye todo el código en Python y R para que lo descargues y uses en tus propios proyectos.

Además, con el curso obtendrás el libro oficial de preguntas típicas de machine learning, creado a partir de las dudas de los estudiantes con más ejemplos y respuestas a tus posibles dudas.


Screenshots

Machine Learning de A a la Z: R y Python para Data Science
Machine Learning de A a la Z: R y Python para Data Science
Machine Learning de A a la Z: R y Python para Data Science
Machine Learning de A a la Z: R y Python para Data Science

Content

Bienvenidos al curso de Machine Learning

Aplicaciones del Machine Learning

¿Por qué el Machine Learning es el futuro?

Algunas notas, trucos y ayudas para seguir el curso

Este PDF puede ser de gran utilidad

Acerca de las valoraciones en Udemy

Cómo hacer preguntas y usar Udemy correctamente

Cómo instalar Python y Anaconda (Mac, Windows y Linux)

Actualización: versión recomendada de Anaconda

Cómo instalar R y RStudio (Mac, Windows y Linux)

Cómo acceder a los materiales del curso en Github

BONUS: conoce a los creadores originales del curso

BONUS: Conoce a Juan Gabriel Gomila, tu instructor en español

Comunidades de Discord para aprender juntos online

Pre requisito para disfrutar mejor del curso

BONUS para los recién inscritos

-------------------- Parte 1: Pre Procesado de Datos --------------------

Bienvenido a la Parte 1 - Pre Procesado de Datos

Obtén el conjunto de datos

Cómo importar librerías

Cómo importar data sets

Truco: problemas con el auto completar de spyder

Resumen de Python: programación orientada a objetos - clases y objetos

Datos faltantes o desconocidos

IMPORTANTE: Cambios en Python 3.7

Datos categóricos

Cómo dividir el data set en entrenamiento y test

Cómo escalar los datos

Y aquí va nuestra plantilla de pre procesado de datos

Pre procesamiento de datos

-------------------- Parte 2: Regresión --------------------

Bienvenido a la Parte 2: Regresión

Regresión Lineal Simple

Obtén el conjunto de datos

Dataset y Descripción del problema de la sección

Idea de la Regresión Lineal Simple - Paso 1

Idea de la Regresión Lineal Simple - Paso 2

Regresión Lineal Simple en Python - Paso 1

Regresión Lineal Simple en Python - Paso 2

Regresión Lineal Simple en Python - Paso 3

Regresión Lineal Simple en Python - Paso 4

Regresión Lineal Simple en R - Paso 1

Regresión Lineal Simple en R - Paso 2

Regresión Lineal Simple en R - Paso 3

Regresión Lineal Simple en R - Paso 4

Regresión Lineal Simple

Regresión Lineal Múltiple

Obtén el conjunto de datos

Dataset y Descripción del problema de la sección

Idea de la Regresión Lineal Múltiple - Paso 1

Idea de la Regresión Lineal Múltiple - Paso 2

Idea de la Regresión Lineal Múltiple - Paso 3

Idea de la Regresión Lineal Múltiple - Paso 4

Pre requisito: ¿Qué es el p-valor?

Idea de la Regresión Lineal Múltiple - Paso 5

La función OLS en las nuevas versiones de Python

Regresión Lineal Múltiple en Python - Paso 1

Regresión Lineal Múltiple en Python - Paso 2

Regresión Lineal Múltiple en Python - Paso 3

Regresión Lineal Múltiple en Python - Eliminación hacia atrás - Preparativos

Regresión Lineal Múltiple en Python - Eliminación hacia atrás - EJERCICIO!

Regresión Lineal Múltiple en Python - Eliminación hacia atrás - Solución

Regresión Lineal Múltiple en Python - Eliminación hacia atrás automática

Regresión Lineal Múltiple en R - Paso 1

Regresión Lineal Múltiple en R - Paso 2

Regresión Lineal Múltiple en R - Paso 3

Regresión Lineal Múltiple en R - Eliminación hacia atrás - EJERCICIO

Regresión Lineal Múltiple en R - Eliminación hacia atrás - Solución

Regresión Lineal Múltiple en R - Eliminación hacia atrás automática

Regresión Lineal Múltiple

Regresión Polinómica

Idea de la Regresión Polinómica

Obtención del conjunto de datos

Regresión Polinómica en Python - Paso 1

Regresión Polinómica en Python - Paso 2

Regresión Polinómica en Python - Paso 3

Cambio de sintaxis para la predicción polinómica en Python 3.7

Regresión Polinómica en Python - Paso 4

Plantilla de Regresión Polinómica en Python

Regresión Polinómica en R - Paso 1

Regresión Polinómica en R - Paso 2

Regresión Polinómica en R - Paso 3

Regresión Polinómica en R - Paso 4

Plantilla de Regresión Polinómica en R

Regresión con Máquinas de Soporte Vectorial (SVR)

Idea de la SVR

Obtén el conjunto de datos

SVR en Python

SVR en R

Regresión con Árboles de Decisión

Idea de la Regresión con Árboles de Decisión

Obtén el conjunto de datos

Regresión con Árboles de Decisión en Python

Regresión con Árboles de Decisión en R

Regresión con Bosques Aleatorios

Idea de la Regresión con Bosques Aleatorios

Obtén el conjunto de datos

Regresión con Bosques Aleatorios en Python

Regresión con Bosques Aleatorios en R

Evaluar el Rendimiento en Modelos de Regresión

Idea del factor R Cuadrado

Idea del factor R Cuadrado Ajustado

Evaluar el Rendimiento en Modelos de Regresión - Ejercicio final

Interpretar los Coeficientes de la Regresión Lineal

Fin de la Parte 2 - Regresión

-------------------- Parte 3: Clasificación --------------------

Bienvenido a la Parte 3 - Clasificación

Regresión Logística

Idea de la Regresión Logística

Obtén el conjunto de datos

Regresión Logística en Python - Paso 1

Regresión Logística en Python - Paso 2

Regresión Logística en Python - Paso 3

Regresión Logística en Python - Paso 4

Regresión Logística en Python - Paso 5

Plantilla de Clasificación en Python

Regresión Logística en R - Paso 1

Regresión Logística en R - Paso 2

Regresión Logística en R - Paso 3

Regresión Logística en R - Paso 4

Regresión Logística en R - Paso 5

Plantilla de clasificación en R

Regresión Logística

K-Nearest Neighbors (K-NN)

Idea de los K-Nearest Neighbors

Obtén el conjunto de datos

K-NN en Python

K-NN en R

K-Nearest Neighbors

Support Vector Machine (SVM)

Idea de las SVM

Obtén el conjunto de datos

SVM en Python

SVM en R

Kernel SVM

Idea del Kernel SVM

Transformar a espacios de dimensión superior

El truco del Kernel

Tipos de Funciones de Kernel

Obtén el conjunto de datos

SVM en Python

SVM en R

Naive Bayes

Teorema de Bayes

Idea de Naive Bayes

Idea de Naive Bayes (Solución del Reto)

Idea de Naive Bayes (Extras)

Obtén el conjunto de datos

Naive Bayes en Python

Naive Bayes en R

Clasificación con Árboles de Decisión

Idea de Clasificación con Árboles de Decisión

Obtén el conjunto de datos

Clasificación con Árboles de Decisión en Python

Clasificación con Árboles de Decisión en R

Clasificación con Bosques Aleatorios

Idea de la Clasificación con Bosques Aleatorios

Obtén el conjunto de datos

Clasificación con Bosques Aleatorios en Python

Clasificación con Bosques Aleatorios en R

Evaluando la eficacia de los Modelos de Clasificación

Falsos Positivos & Falsos Negativos

Matriz de Confusión

Paradoja de la Precisión

Curva CAP

Análisis de las Curvas CAP

Conclusion de la Parte 3 - Clasificación

Sección 20: -------------------- Parte 4: Clustering --------------------

Bienvenido a la Parte 4 - Clustering

K-Means

Idea de K-Means

K-Means: La trampa de la inicialización aleatoria

K-Means: Cómo seleccionar el número de Clusters

Obtén el conjunto de datos

K-Means en Python

K-Means en R

K-Means

Clustering Jerárquico

Idea del Clustering Jerárquico

Clustering Jerárquico: Cómo funcionan los Dendrogramas

Clustering Jerárquico: Utilizando los Dendrogramas

Obtén el conjunto de datos

Clustering Jerárquico en Python - Paso 1

Clustering Jerárquico en Python - Paso 2

Clustering Jerárquico en Python - Paso 3

Clustering Jerárquico en Python - Paso 4

Clustering Jerárquico en Python - Paso 5

Clustering Jerárquico en R - Paso 1

Clustering Jerárquico en R - Paso 2

Clustering Jerárquico en R - Paso 3

Clustering Jerárquico en R - Paso 4

Clustering Jerárquico en R - Paso 5

Clustering Jerárquico

Conclusión de la Parte 4 - Clustering

-------------------- Parte5: Reglas de Asociación --------------------

Bienvenido a la Parte 5 - Reglas de Asociación

Apriori

Idea de Apriori

Obtén el conjunto de datos

Apriori en R - Paso 1

Apriori en R - Paso 2

Apriori en R - Paso 3

Apriori en Python - Paso 1

Apriori en Python - Paso 2

Apriori en Python - Paso 3

Eclat

Idea de Eclat

Obtén el conjunto de datos

Eclat en R

-------------------- Parte 6: Reinforcement Learning --------------------

Bienvenido a la Parte 6 - Reinforcement Learning

Upper Confidence Bound (UCB)

El Problema del Bandido Multibrazo

Idea de Upper Confidence Bound (UCB)

Obtén el Conjunto de Datos

Upper Confidence Bound en Python - Paso 1

Upper Confidence Bound en Python - Paso 2

Upper Confidence Bound en Python - Paso 3

Upper Confidence Bound en Python - Paso 4

Upper Confidence Bound en R - Paso 1

Upper Confidence Bound en R - Paso 2

Upper Confidence Bound en R - Paso 3

Upper Confidence Bound en R - Paso 4

Muestreo Thompson

Idea del Muestreo Thompson

Comparación de algoritmos: UCB vs Muestreo Thompson

Obtén el conjunto de datos

Muestreo Thompson en Python - Paso 1

Muestreo Thompson en Python - Paso 2

Muestreo Thompson en R - Paso 1

Muestreo Thompson en R - Paso 2

------------------- Parte7: Procesamiento de Lenguajes Naturales ---------------

Bienvenido a la Parte 7 - Procesamiento del Lenguaje Natural

Idea del Procesamiento del Lenguaje Natural

Obtén el conjunto de datos

Procesamiento Natural del Lenguaje en Python - Paso 1

Procesamiento Natural del Lenguaje en Python - Paso 2

Procesamiento Natural del Lenguaje en Python - Paso 3

Procesamiento Natural del Lenguaje en Python - Paso 4

Procesamiento Natural del Lenguaje en Python - Paso 5

Procesamiento Natural del Lenguaje en Python - Paso 6

Procesamiento Natural del Lenguaje en Python - Paso 8

Procesamiento Natural del Lenguaje en Python - Paso 7

Procesamiento Natural del Lenguaje en Python - Paso 9

Procesamiento Natural del Lenguaje en Python - Paso 10

Procesamiento Natural del Lenguaje en R - Paso 1

Procesamiento Natural del Lenguaje en R - Paso 2

Procesamiento Natural del Lenguaje en R - Paso 3

Procesamiento Natural del Lenguaje en R - Paso 4

Procesamiento Natural del Lenguaje en R - Paso 5

Procesamiento Natural del Lenguaje en R - Paso 6

Procesamiento Natural del Lenguaje en R - Paso 7

Procesamiento Natural del Lenguaje en R - Paso 8

Procesamiento Natural del Lenguaje en R - Paso 9

Procesamiento Natural del Lenguaje en R - Paso 10

-------------------- Parte 8: Deep Learning --------------------

Bienvenido a la Parte 8 - Deep Learning

¿Qué es el Deep Learning?

Sección 31: Redes Neuronales Artificiales (ANN)

Plan de Ataque

La Neurona

La función de Activación

¿Cómo funcionan las Redes Neuronales?

¿Cómo aprenden las Redes Neuronales?

El Gradiente Descendente

El Gradiente Descendente Estocástico

Propagación hacia atrás

Cómo obtener el dataset

Descripción del problema de empresa

Cómo instalar Keras

ANN en Python - Paso 1

ANN en Python - Paso 2

ANN en Python - Paso 3

ANN en Python - Paso 4

ANN en Python - Paso 5

ANN en Python - Paso 6

ANN en Python - Paso 7

ANN en Python - Paso 8

ANN en Python - Paso 9

ANN en Python - Paso 10

ANN en R - Paso 1

ANN en R - Paso 2

ANN en R - Paso 3

ANN en R - Paso 4 (Último paso)

Redes Neuronales Convolucionales (CNN)

Plan de Ataque

¿Qué son las redes neuronales convolucionales?

Paso 1 - La operación de convolución

Paso 1(b) - La capa ReLU

Paso 2 - Pooling

Paso 3 - Flattening

Paso 4 - Full Connection

Resumen

Softmax y Entropía Cruzada

Obtén el conjunto de datos

Cómo instalar Keras

CNN en Python - Paso 1

CNN en Python - Paso 2

CNN en Python - Paso 3

CNN en Python - Paso 4

CNN en Python - Paso 5

CNN en Python - Paso 6

CNN en Python - Paso 7

CNN en Python - Paso 8

CNN en Python - Paso 9

CNN en Python - Paso 10

CNN en R

-------------------- Parte 9: Reducción de la dimensión --------------------

Bienvenido a la Parte 9 - Reducción de la dimensión

Análisis de componentes principales (ACP)

Idea del Análisis de Componentes Principales (ACP)

Obtén el conjunto de datos

ACP en Python - Paso 1

ACP en Python - Paso 2

ACP en Python - Paso 3

ACP en R - Paso 1

ACP en R - Paso 2

ACP en R - Paso 3

Análisis discriminante lineal (LDA)

Idea del Análisis discriminante lineal (LDA)

Obtén el conjunto de datos

LDA en Python

LDA en R

Kernel ACP

Obtén el conjunto de datos

Kernel ACP en Python

Kernel ACP en R

-------------------- Parte 10: Selección de Modelos --------------------

Bienvenido a la Parte 10 - Selección de Modelos & Boosting

Selección de modelos

Obtén el conjunto de datos

k-Fold Cross Validation en Python

k-Fold Cross Validation en R

Grid Search en Python - Paso 1

Grid Search en Python - Paso 2

Grid Search en R

XGBoost

Obtén el conjunto de datos

XGBoost en Python - Paso 1

XGBoost en Python - Paso 2

XGBoost en R

BONUS: Enhorabuena por completar el curso de Data Science con R y Python

Enhorabuena por completar este viaje juntos

Bonus: Un regalo para ti


Reviews

G
Gonzalo7 October 2020

es interesante como demuestra el crecimiento y la utilidad que puede tener la información en este epoca.

I
Iván21 September 2020

Excelente curso, los temas son detallados, los conceptos muy bien explicados y los ejercicios que se realizan son muy ilustrativos. Lo recomiendo muchísimo.

Á
Ángel16 September 2020

Hola, fue emocionante haber realizado este curso, soy estadístico de profesión y este conocimiento que me has compartido ha cambiado toda mi percepción sobre la ciencia de datos. Estoy muy emocionado en seguir investigando eres el mejor!

A
Ariel14 September 2020

Me encanto el curso, me aclaro muchos temas y me gusto el orden y la progresión de los mismos. Una de los temas que más me intereso es el de análisis de imágenes porque es el más usado en mi área de trabajo “Control Vial” Seguiré con tu curso de Deep Liaoning que ya lo tengo comprado.

T
Taras8 September 2020

Un curso muy completo y una genial introducción al mundo del Machine Learning y la Inteligencia Artificial. Quizá me hubiera gustado un poco más de profundidad en las matemáticas, pero aun así un curso genial.

M
M.20 February 2020

El curso es excelente y el profesor una eminencia, explica muy bien todo, en la teoría y la práctica, con sus ejemplos.

R
Rafael19 February 2020

Muy bien explicado. Didáctico. El Profesor domina la materia. Esperando a que rebajen el de Deep Learning :-)

J
Juan18 February 2020

El curso es una excelente introducción al mundo de Machine Learning. Me gustaría un curso para el siguiente nivel, por ejemplo, como llevar estos modelos a un entorno productivo, como dejarlos funcionando ante nuevos datos de entrada, algo para cerrar el ciclo con la implementación de los modelos. Saludos.

A
Adriana17 February 2020

El curso es el mejor que he realizado, no solo su contenido si no la habilidad que tiene Juan de explicar y hacerse entender que es lo mas importante!!!

G
Guillermo14 February 2020

Ha sido una buena elección tomar el curso. Muestra el amplio panorama del Machine Learning y y es un excelente punto de partida para los que somos novatos en el tema.

D
Diego14 February 2020

Excelente curso para entender y aplicar modelos de Machine learning en Python y R. Siempre fue un curso didáctico y de gran aprendizaje.Muchas gracias.

J
Javier1 February 2020

El curso es perfecto para quienes queremos aprender python y R, pero aplicarlo a Machine Learning ha sido todo un reto. Yo me siento mas confiado en el curso de los programas, pero este curso fue una motivación para seguir aprendiendo acerca del machine learning. Gracias!

F
Fede21 January 2020

Juan Gabriel es un profesor top! Explica con muchísima claridad, sus ejemplos son muy prácticos y actuales, con lo cual es muy sencillo seguir las clases y actividades propuestas. Recomiendo altamente sus cursos, sobre todo los relacionados con Machine Learning, Big Data y programación.

J
Jose20 January 2020

Excelente curso muy completo y detallado sobre herramientas muy útiles para resolver problemas complejos

M
Marco20 January 2020

Definitivamente una buena elección. Muy completo, muchos recursos y una explicación amena. Dado que estos temas son muy complejos, no se profundiza en demasía en el funcionamiento interno de lo que se hace. Sin embargo, eso será tarea de quien tome este curso , siendo éste un motivador excelente para ingresar al mundo del Machine Learning.


Coupons

DateDiscountStatus
4/22/202093% OFFExpired
3/9/202192% OFFExpired
4/17/202192% OFFExpired
6/27/202192% OFFExpired
7/9/202192% OFFValid

2241862

Udemy ID

2/26/2019

Course created date

11/1/2019

Course Indexed date
Bot
Course Submitted by