Aprendizaje automático para programadores
Curso de perfeccionamiento, 40 horas lectivas
Código más inteligente con ML
¿Por qué matricularse en este curso?
El aprendizaje automático permite a los ordenadores realizar tareas sin programación explícita. Desde los vehículos autoconducidos hasta el reconocimiento facial, las tecnologías de aprendizaje automático están a la vanguardia.
Python es un lenguaje de programación líder ampliamente utilizado en el análisis de datos y el aprendizaje automático. Es famoso por sus sólidas bibliotecas y su versatilidad en el manejo de tareas de análisis de datos.
En este curso, explorarás las técnicas de aprendizaje automático más eficaces. Se familiarizará con los fundamentos teóricos de los algoritmos de aprendizaje, así como con la forma de aplicar estos principios para resolver problemas del mundo real utilizando Python. Participe con ejemplos prácticos y salga preparado para aplicar las capacidades del aprendizaje automático en su trabajo.
Al matricularte en este curso, adquirirás habilidades prácticas en aprendizaje automático que podrás aplicar en tus proyectos, mejorando tu rendimiento y productividad laboral.
¿A quién va dirigido?
- Analistas de datos
- Desarrolladores de software
- Profesionales de la inteligencia empresarial
- Ingenieros de datos
- Otros profesionales encargados de analizar e interpretar los datos de su organización.
Requisito previo
- Conocimientos básicos de programación
Objetivos y resultados del aprendizaje
Al final del curso, los participantes:
- Desarrolle conocimientos esenciales de Python, desde la programación básica hasta el tratamiento avanzado de datos con Pandas y NumPy.
- Comprender los conceptos y técnicas del aprendizaje automático.
- Implemente tareas de aprendizaje automático del mundo real, incluidas técnicas de preparación de datos, regresión y clasificación.
- Comprenda y aplique conceptos fundamentales y avanzados de ML, que abarcan desde el aprendizaje supervisado hasta el no supervisado.
- Aborde problemas de la ciencia de datos del mundo real utilizando estrategias como el manejo de datos desequilibrados y métodos de ensemble.
Lo que obtendrá...
- 40 horas académicas de clases en directo con un instructor profesional, impartidas en su idioma local.
- Acceso a las grabaciones de las sesiones, por si te perdiste alguna o para refuerzo, durante toda la duración del curso.
- Certificado de finalización, también digital para LinkedIn. Para graduarse es necesario asistir al menos a 80% de las clases.
- Pertenencia de por vida a la comunidad mundial de antiguos alumnos de Wawiwa, formada por profesionales de la tecnología que se graduaron en los programas de reciclaje y mejora de competencias de Wawiwa en todo el mundo.
Supervisor profesional
Este curso único ha sido creado por un equipo profesional formado por los principales expertos en Desarrollo de Software e IA, con amplios conocimientos y experiencia también en formación.
Maor Mugrabi
Responsable de cursos de IA para desarrolladores de software
Maor es un friki de los datos profundamente apasionado por la Inteligencia Artificial (IA) y el Aprendizaje Automático (AM).
Maor se dedica a ayudar a las empresas a aprovechar estas tecnologías de forma eficaz. Maor es empresario y dirige su propia empresa de consultoría y desarrollo de IA/ML. El trabajo de Maor ha permitido a docenas de empresas innovar y crecer mediante implementaciones personalizadas de IA/ML.
También es profesor en John Bryce, donde transmite sus conocimientos y experiencia en Machine Learning y Python a sus alumnos.
Maor es licenciada en Matemáticas Aplicadas por la Universidad de Bar-Ilan.
¿Qué opinan los licenciados?
Programa del curso
Repaso de Python
- Introducción
- IDEs y herramientas para el análisis de datos
- Tipos de datos y cadenas
- Estructuras de control
- Funciones y programación funcional
- Colecciones
- Orientación a objetos
- Módulos y paquetes
Introducción al análisis de datos
- Ciencia de datos
- Visión general del aprendizaje automático
- Análisis de datos y paquetes de ML
Conceptos básicos de aprendizaje automático
- Visión general
- Por qué aprender
- Aplicaciones
- Proceso de aprendizaje automático
- Tipos de aprendizaje:
- Aprendizaje supervisado
- Aprendizaje no supervisado
- Aprendizaje semisupervisado
- Aprendizaje activo
- Aprendizaje por refuerzo
- Aprendizaje por lotes frente a aprendizaje en línea
- Aprendizaje basado en instancias frente a aprendizaje basado en modelos
- CRISP - Metodología DM
Demo - Tarea completa de aprendizaje automático
- Regresión lineal simple y tareas de clasificación
- Comprensión de los datos
- Variables y características
- Formación, validación y comprobación de datos
- Análisis exploratorio
- Tipos de datos/características
- Paquete Pandas (Python)
- Visualización de datos
- Matplotlib y los paquetes Seaborn (Python)
- Preparación de datos
- Preparación y limpieza de datos
- Valores perdidos
- Tendencia central
- Media/mediana/modo
- Sesgo
- Varianza y desviación típica
- Puntuaciones estándar
- Escalado de características: normalización y estandarización
- Paquete Numpy (Python)
- Vectores y matrices
- Matrices multidimensionales
- Funciones
- Rebanar e indexar
- Álgebra lineal
- Ingeniería de funciones
- Selección de funciones
- Variables ficticias
- Conversión de variable continua en discreta
Aprendizaje supervisado
- Regresiones
- Clasificación
- Regresión no lineal
- Paquete SciPy (python)
- Interpolación
- Ajuste de curvas
- Optimización
- Estadísticas
- Tratamiento de imágenes
- Integración y más
- Evaluación de modelos mediante métricas
- SVM
- Ajuste de los hiperparámetros
- Validación cruzada y búsqueda en cuadrícula
- Árboles de decisión y bosques aleatorios
- Bayes ingenuos
- KNN
- Clasificación
- Clase múltiple
- Etiqueta múltiple
- Uno contra todos
- Todos contra todos
- Códigos de corrección de errores
Aprendizaje no supervisado
- Visión general
- Agrupación
- K-Means
- GMM
- DBSCAN
- Agrupación jerárquica
- Sistemas de recomendación
- Detección de anomalías
Temas avanzados
- Series temporales
- Tratamiento de datos desequilibrados
- Métodos conjuntos
Aprendizaje profundo y redes neuronales
- Aprendizaje profundo
- Redes neuronales
- El perceptrón
- Estructura de la red y capas ocultas
- Funciones de activación
- Entrenamiento de la red
- Optimización
- Propagación hacia delante y hacia atrás
- Descenso gradual
- Convergencia
- Tasa de aprendizaje
- Sobreajuste e infraajuste
- Añadir sesgo
- Máquinas de Boltzmann
- Redes neuronales convolucionales
- Redes neuronales recurrentes
- SOM
- Codificadores automáticos
¿Le interesa conocer más detalles?
Estaremos encantados de responder a todas sus preguntas.
Lea nuestros blogs...
Ha llegado el primer ingeniero de software de IA
Ha llegado el primer ingeniero de software de IA. Sí, lo has oído bien. Este blog te lo cuenta todo, analiza cómo la IA puede acelerar los ciclos de desarrollo y explica cómo ayuda a las personas que no necesariamente saben codificar haciendo