Curso de Machine Learning supervisado con Scikit-learn

Este curso online está pensado para cualquier alumno que esté comenzando su formación en el mundillo de machine learning, que ya conozcan los conceptos teóricos fundamentales y quieran aprender a aplicar sus conocimientos en el campo del aprendizaje supervisado utilizando el lenguaje de programación Python.

Se requieren conocimientos básicos de la teoría de machine learning y saber manejar datos con la librería Pandas. Si necesitas aprender estos conceptos o refrescarlos, puedes realizar los cursos que encontrarás en nuestra plataforma, como son 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.

La primera parte de este curso de machine learning supervisado la dedica el profesor en acercar como toma de contacto a scikit-learn y su uso para entrenar modelos. Explicará qué es, los motivos por los que se utiliza, qué otras tecnologías conforman su ecosistema, cómo realizar su instalación y un primer vistazo a la sintaxis básica de esta librería.

A continuación, en el siguiente segmento formativo, nos enfocamos en los pasos previos al entrenamiento de un modelo, en el que aprenderás cuáles son y cómo realizar estos procesos previos de una forma teórica y también práctica.

Avanzamos hasta el bloque en el que veremos los modelos de scikit-learn que podemos entrenar, cuáles tenemos disponibles y las diferencias entre ellos, profundizando en los modelos GLM, Near neighbours, SVM, los modelos basados en árboles y las redes neuronales.

Seguidamente vamos a ver cómo realizar la evaluación de los resultados obtenidos tras entrenar nuestros modelos. Tras una introducción a estos procesos, veremos las diferentes métricas que podemos elegir y cómo elegir la más acertada en cada caso, los diferentes métodos visuales para la evaluación y la calibración de la probabilidad.

Para concluir este curso, aprenderás a optimizar los modelos, un paso de gran importancia dentro del entrenamiento de modelos. En las lecciones que conforman este apartado se explicará lo referente a la optimización básica para comenzar, y profundizando después en la elección de los mejores features, cómo realizar una optimización estructurada y una optimización de pipelines.