Machine Learning con Python. Nivel Intermedio

Presentación

En la actualidad siendo Python uno de los lenguajes más populares a nivel global, también permite la implementación de algoritmos para el tratamiento de volúmenes de datos (ciencias de los datos) y machine learning (aprendizaje automático) que es parte del conocimiento científico moderno. El presente curso se enfoca en la implementación de técnicas y algoritmos sobre estos temas utilizando librerías específicas.

Sus contenidos van desde conocer la librería Numpy, Pandas, así como Análisis Predictivo. Operaciones de manejo de datos, Estadística para modelización predictiva, Regresión lineal y logística y Vectores de covarianzas y matriz de correlaciones en Python además de Arboles de Decisión.

Objetivos

Los participantes del Curso: "Machine Learning con Python. Nivel Intermedio" lograrán obtener los siguientes objetivos en funció de su avance y la aplicación de los temas realizados:

• Conocer aplicación de las librerías Numpy y Pandas.
• Conocer la implementación de análisis predictivo con en Python.
• Conocer la implementación regresión lineal y logística en Python.
• Conocer la implementación de vectores de covarianzas y matriz de correlaciones en Python.
• Conocer la implementación de árboles de decisión en Python.
• Conocer el uso del paquete Anaconda en el desarrollo de algoritmos de Machine Learning.

Metodología

Las sesiones para el presente curso son teóricos prácticos. Haciendo un repaso de general de los contenidos correspondientes por cada tema, desarrollando posteriormente casos de ejemplo.

Temario

El curso está dividido en 8 sesiones en donde se abordará las implementaciones de los principales algoritmos de machine learning con pyhton.

SESIÓN 01. IMPLEMENTACIÓN CON LIBRERÍA NUMPY

En esta sesión se abordará una introducción a machine learning, instalación de librería numpy con el trabajo con arreglos utilizando casos prácticos.

• Introducción a Machine Learning con Python.
• Instalación de la librería numpy con pip.
• Creación de arreglos. Ejemplos.
• Operación sobre arreglos. Ejemplos.

SESIÓN 02. IMPLEMENTACIÓN CON LIBRERÍA PANDAS

En esta sesión se abordará la instalación de librería panda con el trabajo con archivos excel, base de datos y la generación de gráficos con ejemplos.

• Instalación de la librería panda con pip.
• Lectura de datos archivos Excel y de una tabla de base de datos. Ejemplos.
• Operaciones de columnas en las tablas de datos. Ejemplos.
• Escritura en archivos Excel y en tablas de base de datos. Ejemplos.
• Creación de gráficos. Ejemplos.

SESIÓN 03. ANÁLISIS Y VISUALIZACIÓN DE DATOS

En esta sesión se abordará los dataframe, cálculos y agrupamiento utilizando casos prácticos para el desarrollo basados en programación con python.

• Definición de un Dataframe en Python.
• Cálculo de estadísticas en un Dataframe.
• Agrupamientos.

SESIÓN 04. ESTADÍSTICA PARA MODELOS PREDICTIVOS

En esta sesión se abordará los conceptos estadísticos en modelos predictivos utilizando casos en muestreo e hipótesis con implementaciones.

• Definición de conceptos estadísticos para modelos predictivos.
• Muestreo aleatorio y teorema central del límite.
• Contraste de hipótesis.
• Implementación de ejemplos.

SESIÓN 05. REGRESIÓN LINEAL CON PYTHON

En esta sesión se abordará los conceptos de regresión lineal, las principales librerías para implementaciones con regresión lineal con casos.

• Conceptos de regresión lineal.
• Librerías usadas para la implementación de regresión lineal.
• Implementación de un ejemplo de regresión lineal.

SESIÓN 06. REGRESIÓN LOGÍSTICA CON PYTHON

En esta sesión se abordará los conceptos de regresión lineal, las principales librerías de regresión lineal con implementaciones basados en casos.

• Conceptos de regresión logística.
• Librerías usadas para la implementación de regresión logística.
• Implementación de un ejemplo de regresión logística.

SESIÓN 07. VECTORES DE COVARIANZA Y MATRIZ DE CORRELACIONES

En esta sesión se abordará definiciones de vector de covarianza y matriz de correlaciones utilizando librerías para las implementaciones.

• Definición de un vector de covarianza.
• Definición de una matriz de correlaciones. Instalación de librerías Python.
• Implementación de un ejemplo de vectores de covarianza y matriz de correlaciones.

SESIÓN 08. ARBOLES DE DECISIÓN

En esta sesión se abordará los conceptos de arboles de decisión, homogeneidad de datos, entropía y ganancia de información con casos.

• Definición de un árbol de decisión.
• Homogeneidad en los datos.
• Entropía y ganancia de información.
• Implementación árbol de decisión.

Modalidad

El curso se dictará en modalidad síncrona con participación activa de los participantes por plataforma virtual.

Duración

El curso tiene una duración de 24 horas cronológicas .Inicio de clases primera semana de cada mes.