Introducción a Machine Learning con Pandas y TensorFlow

Descubre el alcance del Machine Learning para tus proyectos empresariales.

Precio: 180€ IVA inc

Características Principales

  • Duración: 25 horas
  • Elementos: 80 lecciones, 2 exámenes y 15 prácticas
  • Precio: 180€ IVA inc
  • 15% Descuento a estudiantes y desempleados
  • 20% si te inscribes con otra persona
  • Bonificable a través de la Fundae

Descripción del curso:

 

Este curso está pensado para todas aquellas personas que quieran adquirir una toma de contacto con Machine Learning y el desarrollo del aprendizaje automático.

Se revisarán múltiples herramientas de software y hardware necesarias, para luego conocer en detalle las estructuras internas de datos y trabajar directamente con los sets de datos a través de la biblioteca Pandas de Python y la potente herramienta de TensorFlow, aplicando segmentaciones, filtros y funciones para adecuarlos a los algoritmos de Machine Learning.

Convocatoria abierta

Prácticas y exámenes

Certificado del curso

Bolsa activa de empleo

Bonificable a través de Fundae

Temario y ficha descriptiva del curso:

 

Tema 1 Introducción a Machine Learning

  • Lección 1: Introducción al Machine Learning
  • Lección 2: Breve historia del Machine Learning
  • Lección 3: Actualidad del Machine Learning
  • Lección 4: Concepto de Deep Learning y modelos de Machine Learning

 

Tema 2 Entorno de Desarrollo

  • Lección 5: Requisitos del Software en Machine Learning (Parte 1)
  • Lección 6: Requisitos del Software en Machine Learning (Parte 2)
  • Lección 7: Requisitos del Hardware para Machine Learning (Parte 1)
  • Lección 8: Requisitos del Hardware en Machine Learning (Parte 2)
  • Lección 9: Requisitos del Hardware en Machine Learning (Parte 3)
  • Lección 10: Análisis de la CPU (Parte 1)
  • Lección 11: Análisis de la CPU (Parte 2)
  • Lección 12: Análisis del almacenamiento y CPU
  • Lección 13: Principales herramientas para Machine Learning (Parte 1)
  • Lección 14: Principales herramientas para Machine Learning (Parte 2)
  • Lección 15: Descripción y características de Anaconda
  • Lección 16: Instalación de Anaconda
  • Lección 17: Gestión de entornos con Anaconda
  • Lección 18: Análisis de entornos: iPython y Spyder
  • Lección 19: Análisis de la aplicación: Jypiter  (Abierta)

 

Tema 3 Estructuras de Datos

  • Lección 20: Conceptos básicos de la estructura de datos
  • Lección 21: Características principales de las Listas (Parte 1)
  • Lección 22: Características principales de las Listas (Parte 2)
  • Lección 23: Definición y uso de las Sublistas y Extend
  • Lección 24: Modificación y eliminación de elementos en listas
  • Lección 25: Propiedades y búsquedas en Listas
  • Lección 26: Definición y operaciones con Matrices
  • Lección 27: Uso y funciones del List Comprehensions
  • Lección 28: Demostración práctica del elemento Listas (Parte 1)
  • Lección 29: Demostración práctica del elemento Listas (Parte 2)
  • Lección 30: Introducción a elementos de diccionarios
  • Lección 31: Método get0 y agregación de elementos en diccionarios
  • Lección 32: Ordenación y búsqueda en diccionarios
  • Lección 33: Matrices con diccionarios
  • Lección 34: Demostración práctica y conclusiones con diccionarios
  • Ejercicios del Tema 3

 

Tema 4 Operaciones con Datos

  • Lección 35: Conceptos básicos de las operaciones e introducción a NumPy
  • Lección 36: Importación y creación de Arrays en NumPy
  • Lección 37: Agregación y modificación de elementos en NumPy
  • Lección 38: Funciones y operaciones con NumPy
  • Lección 39: Filtrado Booleano de los datos y observaciones principales en NumPy
  • Lección 40: Introducción a la biblioteca Pandas
  • Lección 41: Objeto Series y DataFrame en Pandas
  • Lección 42: Gestión y carga de los datos en Pandas
  • Lección 43: Carga de datos en HTML y Análisis y funciones de los Datasets
  • Lección 44: Análisis y ejemplos de los Datasets
  • Ejercicios del Tema 4
  • Examen 1º

 

Tema 5 Gestión de los Datos

  • Lección 45: Introducción y funcionalidades de la carga de Datos (Abierta)
  • Lección 46: Acceso a elementos y subconjuntos de datos
  • Lección 47: Procesos de agregación de elementos en un Dataframe
  • Lección 48: Principales funciones del objeto Dataframe
  • Lección 49: Operaciones con Dataframe y filtrado Booleano
  • Lección 50: Ejemplo práctico con el objeto Dataframe
  • Lección 51: Visualización de los datos con Matplotlib
  • Lección 52: Formato y colocación de etiquetas en los datos
  • Lección 53: Principales tipos de gráficos
  • Lección 54: Proceso de exportación de gráficos
  • Ejercicios del Tema 5

 

Tema 6 TensorFlow

  • Lección 55: Introducción e historia de TensorFlow
  • Lección 56: Usos y aplicaciones de TensorFlow
  • Lección 57: Usos y aplicaciones de TensorFlow (2 Parte)
  • Lección 58: Estructura de TensorFlow: Tensores, nodos y grafos
  • Lección 59: Estructura de TensorFlow: Sesiones e importación
  • Lección 60: Operaciones de cálculo simple con TensorFlow
  • Lección 61: Operaciones con grafos y neuronas
  • Lección 62: Construcción y operaciones con neuronas AND
  • Lección 63: Operaciones con neuronas y Regresión Lineal
  • Lección 64: Operaciones de Regresión Lineal (Parte 1)
  • Lección 65: Operaciones de Regresión Lineal (Parte 2)
  • Ejercicios del Tema 6º

 

Tema 7 Operaciones con Machine Learning

  • Lección 66: Introducción a las operaciones
  • Lección 67: Objetivo y selección del modelo (1 Parte)
  • Lección 68: Selección del modelo (2 Parte)
  • Lección 69: Uso de algoritmo y Scikit-learn
  • Lección 70: Caso práctico con Machine Learning
  • Lección 71: Preparación de los datos y análisis exploratorio
  • Lección 72: Preparación de los datos y análisis estadístico
  • Lección 73: Visualización individual de los datos
  • Lección 74: Visualización conjunta de los datos
  • Lección 75: Visualización conjunta de los datos (Parte 2)
  • Lección 76: Visualización conjunta de los datos (Parte 3)
  • Lección 77: Entrenamiento y preparación de los datos
  • Lección 78: Entrenamiento y elección del modelo
  • Lección 79: Entrenamiento y revisión del modelo
  • Lección 80: Revisión del modelo y conclusiones finales
  • Ejercicios del Tema 7 
  • Examen 2º 

 

 

Descargar temario en Pdf:

  • Una vez inscrito en el curso Online, tendrás acceso a todo el contenido durante los próximos 3 meses 
  • Podrás realizar el curso a través de tu ordenador, móvil o tablet para realizar el curso cómodamente y a tu ritmo
  • Durante el curso tendrás que completar 7 temas dedicados, con un total 86 lecciones15 prácticas y 2 exámenes tipo test durante la formación estimados en 20 horas
  • En el momento que lo necesites podrás efectuar tus consultas al formador, a través de correo electrónico, para resolver tus dudas relativas al curso.
  • Una vez finalizada la formación, te enviaremos un Certificado del curso emitido por Culture Lab TS S.L. 
  • Para poder realizar el curso, los alumnos deberán tener experiencia previa en programación Python
  • Conocimientos en matemática (álgebra) y estadística es un adicional importante aunque no imprescindible.

Requisitos técnicos:

  • Los alumnos Telepresenciales deberán disponer de conexión a internet y micrófono durante las sesiones del curso.
  • Los alumnos se descargarán el acceso a la plataforma telepresencial que les enviaremos tras su inscripción.
  • Para realizar el curso es necesario contar con un equipo Intel i3,  con 4 GB de memoria mínimo, aunque se recomienda utilizar un equipo i5 o i7 con 8 GB de RAM y acceso a Internet.
  • Ordenador con Linux, Windows u OSX
  • Recomendado: python 3+
  • Recomendado: gráfica con soporte GPGPU (CUDA)
  • El curso tiene un coste de 180€ exentos de IVA en modalidad Online

Una vez abonado el curso, en un plazo de 3 días laborales se enviará al alumno sus claves de usuario y contraseña para para el correcto acceso al curso y descarga los contenidos del mismo durante su desarrollo.

 

El curso de Introducción a Machine Learning con Pandas y TensorFlow persigue los siguientes objetivos: 

 

  • Conocer los alcances de Machine Learning y qué relación tiene con Inteligencia Artificial y Deep Learning.
  • Dominar las herramientas específicas para trabajar con Machine Learning.
  • Conocer las estructuras de datos.
  • Gestionar diferentes sets de datos
  • Realizar operaciones con grandes volúmenes de datos.
  • Conocer qué es TensorFlow y cómo utilizarlo
  • Trabajar con ejemplos prácticos que ayuden a fijar los contenidos.

Culture Lab pone en marcha el Curso de Introducción a Machine Learning con Pandas y TensorFlow, diseñado por Pablo Romero Quinteros, Data Scientist, especialista en Entornos Machine Learning y formador en Culture Lab TS S.L

Pablo – Especialista en Machine Learning

 

Aprende a construir tus primeras soluciones con Machine Learning

trabaja directamente con los sets de datos, aplicándoles segmentaciones, filtros y funciones para adecuarlos a los algoritmos de Machine Learning