Curso online
Duración : 4 Meses
Con este curso práctico estarás preparado para ejercer una profesión como científico de datos, profesional con conocimientos empresariales, estadísticos y de programación, aportando soluciones diferentes a las que trabaja a través de los lenguajes de programación. También podrás evolucionar a programador de Python con unos fundamentos sólidos de estadística y de algoritmos predictivos.
Emagister S.L. (responsable) tratará tus datos personales con la finalidad de gestionar el envío de solicitudes de información y comunicaciones promocionales de formación con tu consentimiento. Ejerce tus derechos de acceso, supresión, rectificación, limitación, portabilidad y otros, según se indica en nuestra política de privacidad.
Objetivos
El aprendizaje automático o Machine Learning tiene por objetivo desarrollar técnicas que permitan a las computa- doras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos y reconocer patrones a partir de una información suministrada en forma de ejemplo (entrenamiento).
A quién va dirigido
Dirigido a particulares, profesionales y empresas que quieran potenciar su negocio y bajar costos utilizando inteligencia artificial. Empresas de sistemas o de productos tecnológicos que quieran dar un valor agregado extra a sus desarrollos. Profesionales.
Requisitos
Es recomendable contar con conocimientos básicos en informática para realizar el programa.
Temario completo de este curso
Introducción
Conceptos básicos, marco competitivo actual y tendencias futuras.
Power BI
Instalación, presentación del entorno, elaboración de aplicaciones básicas.
Introducción a R
Instalación de R y Rstudio. Presentación del entorno. Conceptos básicos de trabajo: importación de vistas y librerías.
Tidyverse
Presentación de la librería. Utilización de dplyr con ejemplos de programación.
Ggplot2
Introducción a la gramática de gráficos. Ejemplos de programación de las principales opciones. Presentación del material de consulta en Internet.
Power BI con Ggplot2 sobre R
Programación desde Power BI con Ggplot2 sobre R.
Anaconda
Instalación. Presentación del entorno y carga de librerías. Presentación de Jupyter bajo Python y R. Ejemplos básicos de exploración de datos con ggplot y pandas-profiling. Ejemplos básicos de Python. Ejercicios tutorizados.
Knime
Instalación. Presentación del entorno y carga de librerías. Tratamiento de flujo de datos. Ejemplos básicos de flujo. Ejercicios de programación tutorizados.
Formación Específica
LenguajeR/parte 1, R/Parte 2, Operadores.
ObjetivosVectores/parte 1, Vectores/Parte 2, Dataframe/Parte 1, Datafrane/parte 2 Dataframe/parte 3 Listas Series de Tiempo.
Bucles/parte 1 Bucles/parte 2 Funciones Visualizacion Paquete CARET: SPAM.
Metodo Ramdom Forest sobre MNIST
Proyecto con Random Forest.
Metodo Suppor Vector Machine (SVM)
Metodo SVM sobre MNIST. Redes Neuronales (Neuranet().
Metodo Neuranet sobre MNIST
Proyecto Redes Neuronales. Singular Value Descomposition (SVD) y K Nearest Neighbours (KNN).
Metodo SVD –KNN sobre MNIST
Proyecto con SVM Histogram of Oriented Gradients (HOG).
Metodo HOG-KNN
sobre MNIST. Proyecto con K-NN.