Introducción al Machine Learning con Python

  • Big Data
  • curso
  • 24
  • Finalizado

Curso de formación realizado en colaboración con el Colegio Oficial de Ingeniería Informática de la Comunitat Valenciana (COIICV)

El mundo moderno está repleto de datos. La información permea los distintos aspectos de nuestro entorno y poder extraer un significado de los datos crudos es una aptitud cada vez más necesaria. Asimismo, en este entorno de análisis se requiere de herramientas flexibles, ligeras y robustas que permitan el rápido prototipado de algoritmos, de modo que se puedan probar distintas hipótesis, algoritmos que una vez probados puedan utilizarse directamente en producción.

Satisfacer completamente estas necesidades es una de las razones por la que el lenguaje Python está tan extendido en las comunidades científica, informática y académica. Es un lenguaje de sintaxis sencilla y fácil aprendizaje, sin que ello limite su potencial. Dada la amplitud de la comunidad y la edad del lenguaje, éste lleva asociado una plétora de módulos de código abierto que amplían enormemente su funcionalidad y una documentación íntegra de casos de uso, errores y herramienta.

En este curso se hará un recorrido del uso del lenguaje, desde la base sintáctica hasta una funcionalidad avanzada orientada hacia el análisis de datos, otorgando unas herramientas con las que el alumno puede, por cuenta propia, enriquecer y especializar su propio repertorio.

El constante bombardeo de datos puede tornarse cacofónico, inmanejable e ininteligible sin la preparación adecuada. Con este curso se pretende afinar esas cuerdas.

 

Objetivos

Los alumnos deberán adquirir las siguientes competencias:

  •  Familiaridad con Python, su gramática y sintaxis
  •  Uso y preparación de módulos de código en python, incluyendo las principales librerías de Machine Learning
  •  Preparación y análisis estadístico de datos crudos de cualquier formato
  •  Correcta representación gráfica de datos
  •  Aplicación informada de los modelos más habituales y contemporáneos de Machine Learning: k-Vecinos, clustering jerárquico, árboles de decisión, redes neuronales artificiales, ...

 

Público objetivo

Profesionales técnicos, analistas, consultores técnicos y desarrolladores interesados en aprender uno de los lenguajes más extendidos y versátiles, con una comunidad creciente. Python es una de las llaves principales del campo del análisis de datos y el de Machine Learning.

 

Observaciones y requisitos

Conocimientos básicos de programación, conocimientos básicos de matemáticas. Se recomienda tener conocimientos de estadística aunque no es indispensable para la correcta realización del curso.

Tema 1. Introducción a Python (2h)

  1. Lenguaje interpretado y tipos dinámicos
  2. Sintaxis
  3. Condicionales y estructuras de control
  4. Listas, diccionarios y otros iterables
  5. Funciones, lambdas y generadores
  6. Clases, métodos y herencia
  7. Lectura y escritura en disco

Tema 2. Uso básico de Python (2h)

  1. Interfaz interactiva
  2. Jupyter
  3. Scripts, Módulos y empaquetado
  4. Intro a numpy, pandas y seaborn

Tema 3. Introducción a “Data Analytics” (1h)

  1. Visión general
  2. Descripción de las fases del Data Analytics

Tema 4. Análisis Exploratorio de Datos (AED) (3h)

  1. Estadística descritptiva
  2. Análisis Univariante
  3. Análisis Multivariante
  4. Notebook “EDA asistido”

Tema 5. Procesado de datos (2h)

  1. Limpieza de datos (data cleansing)
  2. Gestión de datos faltantes
  3. Reescalado / Normalización
  4. Datos categóricos → numéricos (Codificación)
  5. Datos numéricos→ categóricos (Discretización)
  6. Remuestreo (resampling)

Tema 6. Introducción a Machine Learning (ML) (4h)

  1. Introducción a Machine Learning
  2. Clasificación de modelos de ML
  3. Proceso estándar de modelado
  4. Evaluación de modelos de ML
  5. Mejorar los resultados de los modelos

Tema 7. Machine Learning (ML) en Python (10h)

  1. Regresión: lineal, múltiple (1h)
  2. Clasificación: regresión logística, kNN, Naive Bayes, árboles de decisión, SVM, Random Forest (3h)
  3. Modelos Black Box: ANN, SPV, DNN (2h)
  4. Clustering: kMeans, DBSCAN y Aglomerativo (2h)
  5. Reducción de dimensiones y detección de anomalías: PCA, PLS, Autoencoders (2h)

Este curso puede ser bonificado a través de los créditos de formación de la FUNDAE, siendo ITI la entidad Organizadora del curso. Para ello, la inscripción debe realizarse con al menos 7 días de antelación. Inscripciones posteriores no podrán bonificarse. Si necesita que dicha gestión la realice ITI, póngase en contacto con nosotros en formacion@iti.es con una antelación mínima de 10 días antes del inicio del curso.

Todos los cursos tienen un precio base específico. Sobre el precio base, se podrán aplicar una serie de descuentos en los siguientes casos:

• Inscripción anticipada (30 días antes de la fecha de fin de inscripción).
• Inscripción de más de un alumno de una misma organización*.
• Ser asociados de ITI o disponer de un acuerdo de colaboración con ITI*.

* Estos descuentos no serán de aplicación durante el periodo de inscripción anticipada.

Más información aquí


Inscribirse

Rellena los datos de este formulario y nos pondremos en contacto contigo para confirmar la inscripción a este curso

Datos del participante



Datos de la empresa


Empresa asociada al ITI SiNo


He leído y acepto la política de privacidad

Deseo recibir el Newsletter o boletines de ITI
Deseo recibir el Newsletter o boletines de ITI


Deseo recibir el boletín de formación de ITI
Deseo recibir el boletín de formación de ITI

form-single-oferta-formativa
https://iti.es/gracias-cursos?pid=7211&tipo=formacion

Datos Básicos

Inscripción: Del 22/01/2019 al 07/10/2019
Inicio: 14/10/2019
Fin: 30/10/2019
Duración: 24
Horario: Lunes y miércoles de 16:00 a 20:00 h
Lugar: Instituto Tecnológico de Informática- ITI. Ciudad Politécnica de la Innovación, Edificio 8G, Cuarta Planta