Scribd
Cargar
7 vistas21 páginas

Programa Analitico Machine Learning Con Python 1

La Diplomatura en Machine Learning con Python, avalada por la UTN sede Reconquista, tiene una duración de 22 semanas e incluye un curso de nivelación en programación, bases de datos y estadística. Ofrece un enfoque práctico con clases en vivo y acceso a docentes para consultas, abarcando temas como regresiones, árboles de decisión, redes neuronales y más. Al finalizar, los estudiantes podrán desarrollar sus propios proyectos aplicando lo aprendido.

Cargado por

Jose M.
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
7 vistas21 páginas

Programa Analitico Machine Learning Con Python 1

La Diplomatura en Machine Learning con Python, avalada por la UTN sede Reconquista, tiene una duración de 22 semanas e incluye un curso de nivelación en programación, bases de datos y estadística. Ofrece un enfoque práctico con clases en vivo y acceso a docentes para consultas, abarcando temas como regresiones, árboles de decisión, redes neuronales y más. Al finalizar, los estudiantes podrán desarrollar sus propios proyectos aplicando lo aprendido.

Cargado por

Jose M.
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

{

Diplomatura en
Machine Learning
con Python
< Avalado por la UTN sede FFRq >

}
Hola!}
< ¿Estás preparado para dar el
siguiente paso? Aprende Machine
Learning online con nosotros. >
Resolución Académica
La calidad académica de nuestra diplomatura
en Machine Learning con Python ha sido
avalada por la Universidad Tecnológica
Nacional UTN sede Reconquista.

Número de Resolución: 290/2020

}
{
Duración 22 semanas
< Además incluye un curso de nivelación en
programación lógica, bases de datos y
estadística con clases en vivo >

}
Aprende
{ haciendo
Un fuerte componente práctico
orientado a proyectos para que
aprendas haciendo. Al final de
la cursada puedes realizar tus
propios proyectos.

}
Clases en vivo interactivas

*
Todas las clases se dictan en vivo por
Zoom.

● Quedan grabadas a disposición de los


estudiantes.
● No se exige asistencia.
● + ediciones anteriores de las clases!

Y lo más importante: Nuestros programas


académicos están en constante
actualización.
{ Atención
Online
Acceso a los docentes por
plataformas de mensajería
instantánea (Telegram). Se
coordinan videollamadas para
atender consultas
específicas.

}
Programa Analítico
01 Introducción Conceptual
Introducción a Machine Learning. Niveles a los que
opera la ciencia de datos. Introducción a Data
Warehouse. Introducción a Data Mining. Introducción a
Knowledge Discovery. Introducción a Herramientas OLAP
y Tableros de comando. Repaso de herramientas
disponibles. Taxonomía de las competencias de un
científico de datos.
Programa Analítico
02 Introducción a Python
Descarga e instalación. Principales librerías.
Variables y tipos de datos. Listas, tuplas y
diccionarios. Ejecución condicional. Ciclos definidos
e indefinidos. Manejo de Excepciones. Funciones y
Generadores. Clases y objetos. Manejo de archivos y
directorios. Conexión a archivos planos. Conexión a
Excel. Conexión a Bases de Datos.
Programa Analítico
03 Regresiones
Regresión Lineal, polinómica, exponencial y
logarítmica. Regresión de dos variables. Ejemplos de
regresiones con sklearn.linear_model. Regresión
logística. Ejemplos de clasificación con regresión
logística con sklearn.linear_model.
Programa Analítico
04 Árboles de decisión
Algoritmo básico en Excel. División en entrenamiento y
prueba. Uso de [Link]. Predicción y valoración
de la solución. Aplicación al dataset Titanic.
Aplicación al problema del call center.

05 Clusters
Algoritmo básico en Excel. Uso de kmeans.
Ejemplo de aplicación real de
[Link]. Otros algoritmos de
agrupamiento en [Link]. Ejercicio de
aplicación de agrupamiento de mascotas.
Programa Analítico
06 Reglas de Asociación
Algoritmo básico en Access. División en entrenamiento
y prueba. Uso de apriori en Python. Ejemplo de una
aplicación real votación de reglas. Ejemplo de una
aplicación real a datos de ventas en supermercados.

07 Redes Neuronales
Algoritmo básico en Excel. División en
entrenamiento y prueba. Instalación y uso del
paquete. Ejemplo en Python. Principales
parámetros de ajuste y control. Problema
concreto.
Programa Analítico
08 Algoritmos genéticos
Algoritmo básico en Excel. Discusión del tipo de
problemas en los que se aplica. Discusión de otros
mecanismos de optimización. Implementación en R del
método enjambre de partículas.

09 Series temporales
Taxonomía. Separación de componentes.
Predicciones. Implementación con statsmodel.
Predicción en series con un único período.
Programa Analítico
10 Método de Simulación de
Montecarlo
Algoritmo básico en Excel. Discusión de la utilidad
del método. Comparación con el análisis de escenarios.
Ejemplo de una aplicación real. Ejemplo simple
implementado en Python.
Programa Analítico
11 Minería de textos
Clasificación supervisada de piezas de texto.
Construcción de una red semántica. Ejemplos de
aplicación real del algoritmo de clasificación.
Aplicación a la detección de sentimientos.

12 Bayes Ingenuo
Implementación en Excel. Ejemplo de
aplicación en Python. Comparación de 4
algoritmos predictivos. (Bayes ingenuo,
árboles, redes neuronales y regresión
logística).
Programa Analítico
13 Random Forest
Descripción conceptual del método. Paquete
[Link]. RandomForestClassifier.
RandomForestRegressor. Ejemplo de aplicación.
Comparación con otras técnicas.

14 Métodos Bayesianos
Descripción conceptual del método. Regresión
lineal bayesiana: pymc3. Red bayesiana:
pgmpy.
Programa Analítico
15 Máquina de soporte vectorial
Descripción conceptual del método. Paquete
[Link]. Ejemplo de aplicación. Comparación con
otras técnicas
Potencia
ahora tu
carrera
profesional
Convierte datos en
conocimiento, ¡avanza hacia
un futuro prometedor!
Descubre el poder del
aprendizaje automático.
Nuestros docentes
Ignacio Anahi
Urteaga Romo
MBA en Dirección Maestría en
de Sistemas de gestión de la
Información. energía.

Claudia Nicolás
Piaggio del Frate
Machine Learning Ingeniero
Engineer. Electrónico.
{ Alguna
Consulta?
WhatsApp:
+54 9 11 3914 8021

E-mail:
info@[Link]

}
{
Muchas gracias
< Instituto Data Science Argentina >

También podría gustarte