INTRODUCCIÓN A MACHINE LEARNING
Objetivos
Proporcionarles los conocimientos generales acerca de su aplicación práctica con la librería Scikit-learn y su implementación algorítmica con Python.
data
Disponible en formato e-learning
Disponible en formato presencial
Disponible en formato a distancia
Subvención disponible
A través de Fundae, cumpliendo requisitos.
Duración
9 horas
- Dificultad 50%
- Nivel alcanzado 80%
Dirigido a
Conocimientos requeridos
Temario
I. Modelos predictivos (Introducción)
Introducción a la algorítmica predictiva.
Machine Learning.
Toma de decisiones predictivas.
Aprendizaje supervisado.
Clasificación y regresión.
Aprendizaje no supervisado.
Agrupaciones y clusterizaciones.
Fases de entrenamiento.
Fase de prueba.
2. Aprendizaje automático (Machine Learning)
Intérprete (Spyder & Jupyter)
Aprendizaje supervisado y no Supervisado.
Matplotlib para visualización.
Aprendizaje supervisado y no supervisado: Numpy, Scipy, Pandas para cálculo numérico y análisis de datos.
Aprendizaje supervisado.
Scikit-learn
Aprendizaje supervisado.: Scikit-learn – Kmeans
Entrenamiento.
Prueba.
3. Optimización (Python & Excel)
Programación lineal
Programación no lineal
Solver
Curvas de distribución
Scipy-Optimize
Comentarios recientes