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.
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
- 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 lecciones, 15 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