Conocimientos y habilidades que adquieres realizando este curso

  • Entrenar diferentes modelos de machine learning supervisado.
  • Utilizar “pipelines” para el procesamiento de datos.
  • Evaluación de los modelos entrenados.
  • Optimización de los modelos entrenados.
  • Consumir datos para el entrenamiento de modelos de machine learning.

Temario

  • Introducción a Scikit-learn

    5m
  • Sintaxis básica

    7m
  • Requisitos mínimos

    8m
  • Pasos previos a entrenar un modelo

    5m
  • Dividir en Train y Test

    8m
  • Pipeline

    5m
  • Funciones especiales para preparar los datos

    11m
  • Creando un pipeline

    7m
  • Introducción a la evaluación de resultados

    4m
  • Las diferentes métricas

    7m
  • Métodos visuales para la evaluación

    6m
  • Calibración de la probabilidad

    5m
  • Optimización básica

    2m
  • Eligiendo los mejores features

    5m
  • Optimización estructurada

    6m
  • Optimización de pipelines

    5m
  • Resumen

    2m

Relacionado

Te dejamos una selección de cursos, carreras y artículos

Machine Learning con clasificadores lineales en Python

Machine Learning con clasificadores lineales en Python

taller

Con este taller aprenderás:

  • El funcionamiento básico de la librería de statsmodels.
  • Entrenamiento de una regresión logística.
  • Analizar y mejorar los resultados de las regresiones logísticas.

Duración: 53 minutos y 19 segundos

Machine Learning con modelos basados en árboles en Python

Machine Learning con modelos basados en árboles en Python

taller

Con este taller aprenderás:

  • Crear Pipelines de Sklearn para el entrenamiento de un modelo de Machine Learning.
  • Entrenar modelos de arboles de decision, random forest y xgboost.
  • Técnicas para reducir el overtraining con estos modelos.

Duración: 51 minutos y 4 segundos

Curso de Machine Learning no supervisado en Python

Curso de Machine Learning no supervisado en Python

curso

Con este curso aprenderás:

  • 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.

Duración: 2 horas y 4 minutos

Preguntas Frecuentes

En OpenWebinars no vendemos cursos, talleres o laboratorios unitarios.

Tenemos diferentes tipos de suscripciones, que te dará acceso completo a todos los cursos de la plataforma y a los nuevos 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.

En OpenWebinars los cursos 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.

Efectivamente, una vez superado cada curso podrás descargarte el diploma acreditativo de cada uno de ellos. Añade estos cursos a tu CV y mejora tu perfil para las empresas. También podrás obtener un diploma de nivel superior al superar todos los cursos de la carrera.

Descripción

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.

* Requisitos del Curso

Es necesario tener conocimientos básicos de la teoría introductoria de machine learning y también saber manejar datos con Pandas.

Estas son algunas de las empresas que ya confían en OpenWebinars

Profesores y profesionales

Nuestros docentes son profesionales que trabajan día a día en la materia que imparten

Conviértete en profesor de OpenWebinars