Máster de especialista en Ciencia de Datos con Python.

Aprenda a desarrollar proyectos de Machine Learning y Deep Learning con Python. Data Science de básico a Experto

4.46 (494 reviews)
Udemy
platform
Español
language
Data Science
category
4,253
students
31.5 hours
content
Mar 2024
last update
$59.99
regular price

What you will learn

Aplicar técnicas de análisis y visualización de datos en un conjunto de datos complejo para problemas de machine learning con el lenguaje de programación Python

Aplicar técnicas de tratamiento de datos en un conjunto de datos para mejorar la robustez y métrica de salida de los diferentes algoritmos de machine learning.

Comprender los diferentes mecanismos y técnicas para aplicar analítica predictiva en problemas de machine learning e interpretar la salida dada por los modelos.

Realizar modelos algorítmicos robustos con una optimización de sus hiperparámetros para la fase de predicción con el lenguaje de programación Python.

Utilizar librerías específicas de Python como scikit-learn para trabajos de Machine Learning con el lenguaje de programación Python.

Desarrollar y analizar proyectos de machine learning, Aprendizaje Supervisado, como regresión, clasificación y multiclase.

Desarrollar y analizar proyectos de machine learning de Aprendizaje No Supervisado con el lenguaje de programación Python.

Utilizar las técnicas más avanzadas necesarias para desarrollar modelos de Deep Learning de última generación con el lenguaje de programación Python.

Aprenderá sobre las redes neuronales FeedForward y cómo desarrollarlas con el lenguaje de programación Python y Keras.

Diseñar y Desarrollar Redes Neuronales Convolucionales para proyectos avanzados con el lenguaje de programación Python.

Diseñar y Desarrollar Redes Neuronales Recurrentes para problemas de secuencias o tiempo con el lenguaje de programación Python.

Description

Máster de especialista en Ciencia de Datos con Python.

Aprenda a desarrolar proyectos de Machine Learning y Deep Learning con Python. Data Science de básico a Experto

Instructores: PhD. Manuel Castillo.

Contenido Actualizado: Abril 2024

Requisitos: Se recomienda tener conocimientos de programación, preferiblemte Python.


Descripción del Curso:

El curso de “Máster de especialista en Ciencia de Datos con Python” tiene dos bloques principales de estudio:

El primer bloque se centra en un subcampo específico de aprendizaje automático llamado modelado predictivo y clustering. Este es el campo del aprendizaje automático que es el más útil en la industria y el cual se utilizar la librería de aprendizaje automático scikit-learn en Python por su gran rendimiento y facilidad en su uso.

A diferencia del campo más amplio del aprendizaje automático que podría utilizarse con datos en cualquier formato, el modelado predictivo y clustering se centra principalmente en datos tabulares, llamados técnicamente Tidy Data (por ejemplo, tablas de números como en una hoja de cálculo).

El segundo bloque se centra en el aprendizaje profundo. En este curso trataremos la librería Keras de Python para Deep Learning y cómo usarla para desarrollar y evaluar modelos de Deep Learning. En este curso, descubriremos las técnicas, código y habilidades de Deep Learning que luego puede llevar a sus propios proyectos de Machine Learning.

La librería Keras envuelve la complejidad de la computación numérica de Theano y TensorFlow proporcionando una API concisa que usaremos para desarrollar nuestra propia red neuronal y modelos Deep Learning. Además, trataremos las habilidades de Deep Learning para llevar esta nueva tecnología asombrosa a nuestros propios proyectos.


Contenidos del Curso:

MÓDULO I. Introducción.

  • Conceptos básicos de machine learning.

  • Jupyter Notebook como nuestro entorno de machine learning.

  • Curso rápido de Python.

MÓDULO II. Análisis de datos

  • Cargar un conjunto de datos.

  • Estadística descriptiva.

  • Visualización de datos.

  • Taller: Trabajo de aplicación de diferentes técnicas analíticas de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.

  • Examen tipo test sobre los contenidos del módulo.

MODULO III. Preprocesamiento de datos

  • Análisis exploratorio de datos.

  • Preprocesamiento de datos.

  • Métodos de remuestreo para estimar la precisión del modelo.

  • Taller: Trabajo de aplicación de diferentes técnicas de análisis y procesamiento de datos de datos en un conjunto de datos seleccionado por el usuario e interpretar la salida obtenida.

  • Examen tipo test sobre los contenidos del módulo.

MÓDULO IV. Fase de tratamiento de datos

  • Evaluación de las métricas.

  • Feature Selection.

  • Feature Importance.

  • Reducción de dimensiones en un dataset.

  • Taller: Aplicación de diferentes técnicas de tratamiento de datos en un conjunto de datos y verificación de su impacto en las métricas algorítmicas.

  • Examen tipo test sobre los contenidos del módulo.

MÓDULO V. Fase de modelado

  • Algoritmos de Machine Learning.

  • Rendimiento de los algoritmos.

  • Algoritmos Ensamblados

  • Algoritmo "Super Lerner"

  • Taller: Aplicación de diferentes algoritmos de machine learning en un conjunto de datos e interpretar la salida obtenida, así mismo, verificar el algoritmo que tenga mejor comportamiento.

  • Examen tipo test sobre los contenidos del módulo.

MÓDULO VI. Redes Neuronales.

  • Curso sobre Multilayer Perceptron

  • Redes Feed Forward

  • Desarrollar nuestra primera red neuronal con Keras.

  • Evaluar el rendimiento de los modelos.

  • Proyecto: Problema de clasificación multiclase.

  • Proyecto: Problema de regresión.

MODULO VII. Redes Neuronales Avanzadas

  • Guardar modelos para hacer predicciones.

  • Mantener puntos de control en el entrenamiento de los modelos.

  • Comprender el comportamiento del modelo durante el entrenamiento trazando el historial.

  • Reducir el sobreajuste con la regularización Dropout.

  • Optimizar el rendimiento con una planificación basada en la tasa de aprendizaje.

MÓDULO VIII. Redes Neuronales Convolucionales

  • Curso intensivo en redes neuronales convolucionales.

  • Optimizar el rendimiento del modelo con Data Augmentation.

  • Proyecto: Reconocimiento de dígitos manuscritos.

  • Proyecto: Reconocimiento de objetos en fotografías.

  • Proyecto: Clasificación de opiniones en revisión de películas.

MÓDULO IX. Redes Neuronales Recurrentes

  • Curso intensivo en redes neuronales recurrentes.

  • Modelos de perceptrones multicapa para problemas de series de tiempo.

  • Modelos LSTM para problemas de series temporales.

  • Proyecto: Clasificación secuencial de reseñas de películas.

  • Proyecto: Generación de texto.

Características del Curso:

Recuerda que esta formación incluye lecciones en vídeo fullHD con audio de estudio (compatible con TV, PC, Mac, tablet y smartphone), artículos didácticos, actividades, proyectos paso a paso, recursos descargables, links de interés, acceso de por vida, certificado de finalización, tutorización online, y una exclusiva comunidad de aprendizaje privada que nos ayudamos aportando nuestras experiencias en el foro de comunicación del curso.

Con esta formación disfrutarás aprendiendo desde dónde quieras, sin tener que desplazarte, sin horarios, con quién quieras, según tus necesidades y disponibilidad. Aprenderás con un instructor avalado por miles da alumnos satisfechos en todo el mundo (comentarios certificados). Conocerás las técnicas, métodos, trucos y flujos de trabajo de este sector creativo. El docente te transmitirá su sabiduría y conocimientos con pasión a la vez que las explicaciones concisas, claras, sencillas y con un enfoque profesional en cada clase. Podrás conseguir un  certificado homologado personalizado y firmado por tu instructor en cada formación. De está forma podrás compartir tu título en tu portafolio, currículo, en redes sociales...

Con la alta definición de los vídeos (vídeo fullHD y audio de estudio) conseguirá no te perder detalle. Podrás ver las clases las veces que requieras para recordar y perfeccionar tus habilidades como diseñador. Tendrás la posibilidad de preguntar, pedir opinión y ayuda al instructor, además de compartir tu experiencia de aprendizaje con los demás alumnos del curso, tan apasionados como tú, repartidos por todo el mundo. Seleccionamos cuidadosamente los contenidos y producimos cada curso para garantizar una experiencia de aprendizaje online integral y de la máxima calidad.

¿A qué esperas?, este curso es ideal para ti, atrévete a convertirte en un experto. Adelante, nos vemos dentro de la formación.

Content

Introducción

Uso de la plataforma Udemy. Consejos para sacar el máximo partido a la web.
Consejos y recomendaciones para usuarios de Udemy
Estructura del Curso que vas a Comenzar.
¡Preséntate!
Bloque Machine Learning: Descripción de contenidos
Bloque Deep Learning: Descripción de contenidos
Para saber más...

Lenguaje de Programación Python y librerías

Introducción a Python y sus librerías
Herramientas de trabajo
Tutorial Jupyter
Python para Modelado Predictivo
Python - Asignaciones
Python - Control de Flujo
Python - Estructuras de datos
Curso rápido de NumPy
Curso rápido de Matplotlib
Curso rápido de Pandas
Curso rápido de Google Colab
Para saber más...

Análisis Exploratorio de Datos

Fase de análisis de datos
Sesión de teoría - Fuentes de Datos
Sesión de Teoría - Estadística Descriptiva
Sesión de Teoría - Visualización de Datos
Tidy Data
Cargar un conjunto de datos
Entender nuestros datos
Función Head() y Propiedades shape y dtypes
Funciones Describe() y groupby(’class’).size()
Corr() y skew()
Histogramas
Diagrama de Densidad y Boxplot.
Matriz de correlación y dispersión
Dispersión y Boxplot por clase
Para saber más...
Cuestionario de la Unidad

Fase de Procesamiento de datos

Procesamiento de datos
Sesión de Teoría - Preprocesamiento de datos
Sesión de Teoría - Métodos de transformación de datos
Sesión de Teoría - Métodos de remuestreo
Detección y análisis de outliers
Preprocesamiento de datos.
Escalamiento y estandarización
Normalización y Binarización
BoxCox y YeoJohnson
Métodos de remuestreo
Validación cruzada.
División por porcentaje
Para saber más...
Cuestionario de la Unidad

Fase de tratamiento de datos

Fase de tratamiento de datos
Sesión de Teoría - Evaluación de métricas
Sesión de Teoría - Feature Selection
Sesión de Teoría - Feature Importance
Sesión de Teoría - Reducción de dimensiones (PCA)
Evaluación de algoritmos
Métricas Accuracy y Kappa
Métricas ROC y Matriz de confusión
Reporte de clasificación
Métrica MAE
Métricas MSE y R2
Feature selection
Correlación entre características
Backward y Univariable
RFE
Random Forest
LASSO
Reducción de dimensiones con PCA
Para saber más...
Cuestionario de la Unidad

Fase de Modelado

Fase de Modelado.
Sesión de teoría - Algoritmos de Machine Learning
Sesión de Teoría - Algoritmos de Taxonomía lineal
Sesión de Teoría - Algoritmos de Taxonomía no lineal
Sesión de Teoría - Algoritmos Ensemble
Algoritmos de machine learning
Algoritmos lineales - Regresión
Algoritmos lineales - Clasificación
Algoritmos No lineales - Clasificación
Algoritmos No lineales - Regresión
Comparación de Algoritmos - Simple
Comparación de Algoritmos - Visualización
Algoritmos de conjunto
Bagging
Boosting
Voting
Para saber más...
Cuestionario de la Unidad

Aprendizaje No Supervisado

Aprendizaje No Supervisado
Algoritmos de Aprendizaje No Supervisado
Algoritmos de clustering (I)
Algoritmos de clustering (II)
Implementación Algoritmos clustering (I)
Implementación Algoritmos clustering (II)
k-Means
Clustering Jerárquico
Métodos basado en densidad
Determinar clusters
Proyecto de Custering - Conjunto de datos
Proyecto de Custering - Determinar número de clústers
Proyecto de Custering - Algoritmo Agglomerative
Proyecto de Custering - Algoritmo k-Means
Proyecto de Custering - Algoritmo Mean Shift
Para saber más...

Fundamentos de Redes Neuronales - Teoría

Unidad Fundamental de aprendizaje - La neurona
Cómo trabaja una neurona
Multilayer Perceptron
Cómo opera el MLP
Backpropagation
Simulación de una arquitectura de red neuronal
Parámetros en redes neronales
Algoritmo Gradiente Descendiente
Coste, sesgo y activación
Simulación de backpropagation
Para saber más...

Redes Neuronales Feed Forward - Pŕactica

Diseño de redes neuronales - Diseño
Diseño de redes neuronales - Compilación y evaluación
Diseño de redes neuronales - Predicciones
Evaluar Rendimiento - Divisón automática
Evaluar Rendimiento - Verificación manual
Evaluar Rendimiento - Validación cruzada
Clasicifcación Multiclase - Procesamiento de datos
Clasificación Multiclase - Diseño de Red Neuronal
Proyecto de Regresión - Diseño de Red Neuronal
Proyecto de Regresión - Optimización de la Red Neuronal
Proyecto de Regresión - Procesamiento de datos
Para saber más...
Evaluación de la unidad temática

Redes Neuronales Convolucionales - Teoría

Background
Fundamentos de las CNNs
Operación Convolución
Operación Pooling
Capas Fully-Connected
GPUs para mejorar el rendimiento
Conclusiones sobre CNNs
Para saber más...

Redes Neuronales Convolucionales - Práctica

MNIST con CNN
Identifcaicón de flores con CNN
Transfer Learning & Finetuning - Fundamentos
Transfer Learning & Finetuning - Dataset
Transfer Learning - MobileNet
Transfer Learning - VGG16
Transfer Learning - Extración de características y Modelado clásico
Transfer Learning - Finetuning
Herramientas avanzadas - Cargar y almacenar modelos
Herramientas avanzadas - Callbacks y Checkpoints
Herramientas avanzadas - Tensorboard
Para saber más...
Evaluación de la unidad temática

Redes Neuronales Recurrentes - Teoría

Background
Introducción
Redes Feed Forward Vs Redes neuronales recurrentes
Redes Neuronales Recurrentes
Redes LSTM
Para saber más...

Redes Neuronales Recurrentes - Práctica

LSTM para Regresión - Dataset
LSTM para Regresión - Linea Base
LSTM para Regresión - Ventana
LSTM para Regresión - Pasos de tiempo
LSTM para Regresión - Asignación de memoria
LSTM para Regresión - Stacked con memoria
LSTM para PLN - Dataset
LSTM para PLN - Modelo de linea base
LSTM para PLN - Generación de texto
LSTM para PLN - Optimizar la LSTM
Para saber más...
Evaluación de la unidad temática

Solicitud de Certificado

Consulta de alumnos
Certificado de finalización del curso

Contenido Adicional

Tiempo para practicar

Screenshots

Máster de especialista en Ciencia de Datos con Python. - Screenshot_01Máster de especialista en Ciencia de Datos con Python. - Screenshot_02Máster de especialista en Ciencia de Datos con Python. - Screenshot_03Máster de especialista en Ciencia de Datos con Python. - Screenshot_04

Reviews

Miguel
October 3, 2023
Buen contenido y buena explicación, lo único que mejoraría es el audio en algunas clases y que en alguna clase el código pertenece a versiones más antiguas de Python y tienes que adaptarlo. Por lo demás muy buen curso, y el tutor responde a todas las dudas con rapidez.
Javier
October 1, 2023
muy buen curso, solo puedo decir que me esta sirviendo mucho para complementar con la universidad,100% recomendado. el unico problema hay algunos videos en los cuales el audio se escucha muy bajo pero se entiende bien
Oscar
August 25, 2023
Los videos son grabaciones de charlas con estudiantes y al rededor de la sesión 36, el problemas de comunicación es permanente y la información quedá es intermitente. Creo q preparando una muy buena clase grabada como hacen otros tutores sería excelente para este curso.
Bruno
August 2, 2023
No pude ver aún todos los temas pero el manejo de la información por el orden y los ejemplos prácticos se ven muy buenos
Eric
July 27, 2023
Muy buen curso, una buena introducción al Machine Learning y Deep Learning para una persona sin demasiada formación en este ámbito. Yo mismo estudio las carreras de Matemáticas y Física y lo he encontrado interesante como una introducción. Algunos aspectos a comentar son los siguientes: - Aunque no se entre en el desarrollo completo de los algoritmos (porque esto requiere mucho más tiempo), se aprende a utilizar las librerias y funciones utilizadas. - A día de hoy (julio 2023) he tenido algún problemilla de versiones, dado que se actualizan rápidamente. En cualquier caso, agradacer a Manuel por su rapidez en las respuestas y ayudas. - Sí que es cierto que en ciertas ocasiones parece que las clases pertenecen a otros cursos y que han sido juntadas, pero no supone un impedimento para aprender y aprovechar el curso. En definitiva, te da un buen taste de lo que puede hacerse con Machine y Deep Learning en Python, y puedes descubrir si este es tu campo o no (o si simplemente quieres tener una idea).
Monica
July 17, 2023
Me han gustado mucho las sesiones que llevo hasta el momento, muy claras las explicaciones y los ejemplos mostrados son muy ilustrativos. Pensé que sería solo una pasada rápida sobre cada cosa pero no ha sido así. Muy satisfecha con el curso, tanto que ya compré otro de este mismo instructor.
Stheisy
July 16, 2023
Me parece muy bien distribuido todo el material y la introducción antes de empezar el curso, todo muy claro. Muchas gracias
Sergio
April 11, 2023
Vamos a por ello, esto promete...Denso, colmado de conceptos, toda la teoría llevada a código fuente, muy bien explicado. Revisiones prácticas tras la teoría, ves los conceptos dos veces lo cual afianza la formación, proporciona una gran variedad de materiales como notebooks de jupyter, pdfs y enlaces. Muy bueno, de veras.
Elvis
March 7, 2023
Por el momento va bien, pero le quita algo de profesionalismo el que sea contenido grabado para otra plataforma y luego se subiera a esta plataforma.
Abner
March 1, 2023
es un buen curso, lo estoy calificando desde la etapa antes del modelado. me ha gustado soy un entusiasta y he leido algunos libros sobre machine learning. el contenido de este curso tiene un valor agregado ya que ademas de lo que he leido en muchos libros contiene informacion adicional que es muy importante saber. me imagino que es por que al ser un curso de data science y el profesor ser un experto en esta area se trata mucho a profundidad el analisis de los algoritmos y el analisis de los datos a un nivel detallado
Enmanuel
February 14, 2023
el professor atiende y responde a las preguntas lo mas rapido posible con mucha dedicacion yatento a cada pregunta que hay
Estuardo
January 31, 2023
El curso simplemente es una grabacion de clases en zoom y esta desactualizado, contiene muy poca practica por lo que he visto (llevo el 30% del modulo) me gustaria llegar al 100% pero si lo hago me arriesgo a quedar insatisfecho con el curso y que no me reembolsen mi dinero. Considero que si se va a subir un curso a Udemy deberia de grabarse especificamente para Udemy, no subir grabaciones de clases anteriores. De ser asi yo bien podria subir mas de 50 cursos dedicados a la Ingeniera en electronica unicamente descargando las grabaciones.
Jose
January 5, 2023
Siendo un contador con conocimientos basicos en python he logrado por mi mismo realizar analisis de datos y aun mejor diseñar y usar en mi campo(finanzas) Redes Neuronales, logrando automatizar algunos procesos basicos donde la RNN ha sido de gran ayuda, espero seguir avanzando con el siguiente curso.
Soledad
November 28, 2022
Hola! De momento lo que llevo no me está gustando, ni motivando a seguir... Me cuesta seguir el ritmo a sus explicaciones, no lo hace divertido para que tengas ganas continuadas de aprender. Además muchos ejercicios no tienen las soluciones y tú los haces como crees y no llegas a saber si están bien. Espero cambiar la opinión según vaya avanzando el curso. Soledad Gómez
Beatriz
November 20, 2022
Muy buen curso, todo explicado a la perfección. He aprendido mucho y me ha servido para mis propios proyectos.

Coupons

DateDiscountStatus
7/15/202378% OFF
expired

Charts

Price

Máster de especialista en Ciencia de Datos con Python. - Price chart

Rating

Máster de especialista en Ciencia de Datos con Python. - Ratings chart

Enrollment distribution

Máster de especialista en Ciencia de Datos con Python. - Distribution chart
4399202
udemy ID
11/16/2021
course created date
11/24/2021
course indexed date
Bot
course submited by