¿Qué quieres aprender?

Especialista BD Analitycs. Machine Learning. - Telepresencial

Especialista BD Analitycs. Machine Learning. - Telepresencial

Cloud Formación TIC

Curso semipresencial

Madrid


1.580

Duración : 5 Meses

El curso “Especialista BD Analitycs. Machine Learning. - Telepresencial” de Cloud Formación TIC presentado por Lectiva.com consiste en una formación práctica de modalidad híbrida con el denominado Machine Learning (o aprendizaje automático) como base, cuyo objetivo es el desarrollo de programas que permiten el reconocimiento de patrones y la generalización de comportamientos. La finalidad del curso es ejercer en el ambiente de Data Science con conocimientos de carácter empresarial, estadísticos y de programación.

¿Quieres hablar con un asesor sobre este curso?

Sedes

Localización

Fecha inicio

Madrid

Requisitos

Conocimientos básicos de informática e internet

Temario completo de este curso

Temario

Formación Técnica

Entorno de Python y herramientas.

Instalación y configuración de Python.

  • Instalación de Python con el entorno Anaconda y PyCharm Community.
  • Explicación de los “Enviroments” de Python para personalizar instalaciones.
  • Concepto de módulos e instalación de nuevos módulos usando la consola de comandos.
  • Primeros conceptos de programación con Python usando consolas: Qt Console y Powershell Prompt.

Herramientas de desarrollo.

  • Uso de los entornos de desarrollo Spyder y PyCharm para crear programas de Python.
  • Fundamentos de programación: uso de variables y funciones.

Programación estructurada con Python.

  • Reglas de diseño del código.
  • Uso de bucles.
  • Uso de if-elif-else.

Estructuras de datos en Python.

  • Uso de tuplas, listas y diccionarios.
  • Sintaxis de manipulación de colecciones de datos.
Herramientas de computación de datos.

Uso de Jupyter Notebook y JupyterLab.

  • Creación de documentos con Jupyter Notebook.
  • Introducción a la generación de gráficos usando Pandas y Numpy.

Uso de RStudio.

  • Introducción a la computación estadística y generación de gráficos con la herramienta RStudio.

Uso de Glueviz.

  • Introducción a la visualización de datos multidimensionales.
  • Exploración de relaciones entre conjuntos de datos.

Uso de Orange.

  • Introducción a la minería de datos con la herramienta Orange.
  • Visualización y análisis de datos.

Bases de datos y automatización.

Uso de bases de datos relacionales.

  • Introducción al uso de base de datos relacionales con SQLite3.
  • Creación de tablas relacionales.
  • Operaciones DML: insert, update y delete.
  • Operaciones de consulta.

Uso de bases de datos no relacionales.

  • Instalación de MongoDB.
  • Creación y operaciones con documentos.

Uso de bases de datos no relacionales.

  • Instalación y configuración de Git.
  • Ejemplos de control de versiones al crear aplicaciones con PyCharm.

Formación Específica

Estadística
  • Estadística descriptiva multivariante y funciones de densidad y distribución. Correlación estadística y estudio de las funciones más conocidas.
  • Estadística inferencial y estadística bayesiana. Test de hipótesis, teorema de Bayes y diferencia entre el pensamiento frecuentista y bayesiano.
Fundamentos de machine learning

Conceptos de sobreajueste, predicción, clustering, aprendizaje por refuerzo, modelos de supervivencia.

Importación y limpieza de datos

Programación en Python, R y otros lenguajes para la preparación de los datos para los algoritmos.

Primeros algoritmos y series temporales univarianteANOVA, ANCOVA, ARIMA, etc. Orientado a la creación de conocimiento partiendo de muestras y calidad en la predicción de series temporales.Técnicas de reducción de variables

Componentes principales, análisis factorial, análisis de correspondencias, etc.

Clustering

Búsqueda e interpretación de segmentos: Kmeans, Jerarquizado y DBScan.

Reglas de asociación

Análisis de la cesta de la compra en formato tickets y tabular.

Fundamentos de aprendizaje supervisado y preprocesamiento

Subconjuntos de entrenamiento, validación y test. Métodos de comparación de resultados: ROC, Lift, Matriz de confusión, etc.

Técnicas de exploración de datos

Power-BI. Exploración interactiva. Comunicación de conclusiones y mensajes mediante gráficos.

Árboles de decisión

Algoritmos de división horizontal. Árboles normales y condicionales.

Naive Bayes y KNN

Algoritmos sencillos. Búsqueda de probabilidades y búsqueda de vecinos más próximos.

Máquinas de soporte vectorial

Generalización del concepto de divisiones. Kernel. Uso de búsquedas mediante grid para optimizar resultados.

Algoritmos ensamblados: Bagging, Boosting y Ramdom Forest
  • Concepto de ensamblado.
  • Ensamblado libre y bagging.
  • Random Forest. Primeros usos avanzados de los árboles de decisión para determinar la importancia de las variables.
  • Adaboosting. Ensamblaje boosting.
  • Xgboosting. Ensamblaje boosting. Algoritmo ganador de los principales concursos.
Regresión
  • Regresión no logística. Concepto de relación funcional entre objetivos y predictores. Influencia de observaciones, interpretación de coeficientes y métodos forward, backward y stepwise.
  • Regresión logística. Modelo lineal general. Aplicación a las decisiones de la regresión.
  • Fundamentos de redes neuronales de una sola capa. Generalización de la regresión logística. Primeros conceptos de redes. Conceptos de Black-box.
Deep Learning
  • Fundamentos de Deep Learning. Conceptos de optimización, regularización, perceptrón en varias capas. Tensorflow y Keras.
  • Deep Learning aplicado. Ejemplos de Keras aplicados a la predicción del análisis del sentimiento.
  • Tratamiento del sobreajuste en Deep Learning. Ejemplos de Keras aplicados a la predicción de una clase o de varias clases, así como a predicciones numéricas.
  • Redes convolucionales para imágenes. Modelos avanzados para la clasificación de imágenes.
  • Deep Learning para Textos. Modelos avanzados para el procesamiento del lenguaje natural.
  • Conclusiones Deep Learning y redes Kohonen. Modelos avanzados para el uso de grafos. Redes neuronales no supervisadas.
Análisis discriminante y Procesamientos de lenguaje natural
  • Algoritmo lda (clasificación temática) e introducción a la minería de textos.
  • Minería de textos. Profundización de la minería de textos.
  • Interpretación de modelos. Profundización de la minería de textos.
Algoritmos complementarios

Uso del entorno H2O Aquarium de utilización de la inteligencia artificial para la optimización de algoritmos.

Proyecto & certificación

Al finalizar las clases de la formación específica realizarás, con la supervisión de tu tutor, varios proyectos de implantación sobre los conocimientos adquiridos.

Ver más