Curso completo de udemy gratis.
Lo que aprenderás
Master Machine Learning en Python & R
Tener una gran intuición de muchos modelos de Machine Learning
Hacer predicciones precisas
Hacer un análisis potente
Hacer modelos robustos de Machine Learning
Crear un fuerte valor añadido para tu negocio
Usar Machine Learning para fines personales
Manejar temas específicos como Reinforcement Learning, PNL y Deep Learning
Manejar técnicas avanzadas como la Reducción de Dimensionalidad
Saber qué modelo de Machine Learning elegir para cada tipo de problema
Construir un ejército de potentes modelos de Machine Learning y saber combinarlos para resolver cualquier problema
Descripción
¿Interesado en el campo del Machine Learning? Entonces este curso es para ti!
Este curso ha sido diseñado por dos Científicos de Datos profesionales para poder compartir nuestros conocimientos y ayudarte a aprender la compleja teoría, los algoritmos y las librerías de codificación de forma sencilla.
Te guiaremos paso a paso en el Mundo del Aprendizaje Automático. Con cada tutorial desarrollarás nuevas habilidades y mejorarás tu comprensión de este desafiante pero lucrativo subcampo de la Ciencia de los Datos.
Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos en profundidad en el Aprendizaje Automático. Está estructurado de la siguiente manera:
Parte 1 – Preprocesamiento de datos
Parte 2 – Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión en árbol de decisión, Regresión en bosque aleatorio
Parte 3 – Clasificación: Regresión Logística, K-NN, SVM, Kernel SVM, Naive Bayes, Árbol de Decisión, Random Forest
Parte 4 – Clustering: K-Means, Clustering Jerárquico
Parte 5 – Aprendizaje de Reglas de Asociación: Apriori, Eclat
Parte 6 – Aprendizaje por refuerzo: Upper Confidence Bound, Thompson Sampling
Parte 7 – Procesamiento del lenguaje natural: Modelo de bolsa de palabras y algoritmos para PNL
Parte 8 – Aprendizaje profundo: Redes neuronales artificiales, redes neuronales convolucionales
Parte 9 – Reducción de la dimensionalidad: PCA, LDA, Kernel PCA
Parte 10 – Selección de modelos y Boosting: k-fold Cross Validation, Parameter Tuning, Grid Search, XGBoost
Además, el curso está repleto de ejercicios prácticos que se basan en ejemplos de la vida real. Así que no sólo aprenderá la teoría, sino que también obtendrá algo de práctica en la construcción de sus propios modelos.
Y como un bono, este curso incluye plantillas de código de Python y R que puede descargar y utilizar en sus propios proyectos.
A quién va dirigido este curso:
Cualquier persona interesada en el aprendizaje automático.
Estudiantes que tengan al menos conocimientos de matemáticas de bachillerato y que quieran empezar a aprender Machine Learning.
Cualquier persona de nivel intermedio que conozca los fundamentos del machine learning, incluyendo los algoritmos clásicos como la regresión lineal o la regresión logística, pero que quiera aprender más sobre ello y explorar todos los diferentes campos del Machine Learning.
Cualquier persona que no se sienta tan cómoda con la codificación pero que esté interesada en el Machine Learning y quiera aplicarlo fácilmente en conjuntos de datos.
Cualquier estudiante de la universidad que quiera empezar una carrera en Data Science.
Cualquier analista de datos que quiera subir de nivel en Machine Learning.
Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en un Científico de Datos.
Cualquier persona que quiera crear valor añadido a su negocio utilizando potentes herramientas de Machine Learning.