Curso de Machine Learning no supervisado en Python
En este curso aprenderás a utilizar scikit-learn y otras librerías para aplicar varias técnicas de aprendizaje no supervisado en diferentes ámbitos y para diferentes usos.
Impartido por:
Lo que aprenderás en este curso:
- Utilizar la librería scikit-learn para aprendizaje no supervisado y entender cómo superar las limitaciones.
- Entrenar modelos de clusterizacion.
- Utilizar técnicas de reducción de dimensionalidad.
- Evaluación de modelos no supervisados.
- Interpretación de los resultados de los modelos no supervisados.
Requisitos del curso
Es necesario tener conocimientos básicos de la teoría introductoria de machine learning y también saber manejar datos con Pandas.
Valoraciones de estudiantes:
Contenido del curso:
-
- 2m
-
-
Introducción a Scikit-learn5m
-
Sintaxis básica7m
-
-
-
Introducción a K-means11m
-
Visualizando los resultados7m
-
Evaluando los resultados13m
-
-
-
La preparación típica5m
-
Eligiendo y normalizando las variables (Parte I)4m
-
Eligiendo y normalizando las variables (Parte II)8m
-
-
-
DBSCAN7m
-
Clusterización jerárquica8m
-
-
-
Detectando grupos de interés: Clusterización7m
- 4m
-
-
-
PCA10m
-
t-SNE8m
-
-
-
Detectando grupos de interés: Reducción de dimensiones4m
-
Incorporando los resultados en un modelo: Reducción de dimensiones4m
-
-
-
Resumen2m
-
Te dejamos una selección de cursos, carreras y artículos
Machine Learning con modelos basados en árboles en Python
Los modelos de Machine Learning basados en árboles no solo son muy poderosos, son además robustos frente a una gran variedad de adversidades. En este …
Reducción de dimensionalidad para Machine Learning en Python
La reducción de dimensionalidad es clave para la construcción de modelos de Machine Learning en contextos de muchas dimensiones. En este taller utilizaremos estas técnicas …
Dudas frecuentes
¿Cuál es el precio?
En OpenWebinars no vendemos formaciones.
Tenemos diferentes tipos de suscripciones, que te dará acceso completo a todas las formaciones de la plataforma y a las nuevas que vamos lanzando, siempre y cuando tu suscripción esté activa (como Spotify con la música o Netflix con las películas y series).
¿Eres una empresa? Tenemos planes especiales para ti. Consúltanos aquí.
¿Cuándo comienza la formación?
En OpenWebinars las formaciones no tienen fecha de inicio y de final.
Cada curso tiene una fecha de publicación y desde ese día estarán 100% disponible todos los contenidos del curso para los usuarios suscritos a alguno de nuestros planes.
¿Puedo obtener un diploma que acredite mis conocimientos?
Efectivamente, una vez superada cada formación, podrás descargarte el diploma acreditativo de cada una de ellas. Añádelas a tu CV y mejora tu perfil para las empresas.
También podrás obtener un diploma de nivel superior al superar todas las formaciones de la carrera.
Esta formación está indicada para todos los que están comenzando a introducirse en el mundo de machine learning y ya entienden los conceptos teóricos más básicos, pero quieren aprender a poner este conocimiento de aprendizaje supervisado en práctica con el lenguaje Python.
Para seguir el curso de forma correcta, es necesario tener conocimientos básicos de la teoría introductoria de machine learning y también saber manejar datos con la librería Pandas. Si lo necesitas, te recomendamos realizar algunos de nuestros cursos relacionados: Curso de introducción a Machine Learning, Curso de tratamiento de datos con Pandas en Python y/o Curso de tratamiento de datos con Pandas y NumPy.
Este curso online comienza con el apartado centrado en el entrenamiento de un modelo, en el que realizaremos una primera toma de contacto con scikit-learn, explicando qué es, por qué se utiliza, qué otras tecnologías conforman su ecosistema, cómo realizar su instalación y la sintaxis básica de esta librería.
Después entramos en las diferentes secciones dedicadas a la clusterización de datos, en las cuales se desarrollarán aspectos como el uso de Kmeans para visualizar resultados y evaluarlos, la posterior preparación de esos datos, la elección y normalización de variables, además de otros algoritmos diferentes a Kmeans para la clusterización (DBSCAN y clusterización jerárquica), y, para finalizar veremos unos casos de uso de la clusterización.
Seguidamente continuamos con los bloques formativos dedicados a la reducción de dimensionalidad, en los cuales se introducirán los algoritmos que se utilizarán en este proceso (PCA y t-SNE), además de ver unos casos de uso de la reducción de dimensiones.
