Curso de Análisis de datos con Python y Machine Learning

Descripción

El curso trata de proporcionar los conceptos y habilidades necesarias para que los alumnos puedan desarrollar aplicaciones distribuidas para el análisis de datos con Python y Spark, que forma parte del conjunto de herramientas del ecosistema Big Data. El alumno puede conocer y practicar con los módulos como Streaming, SQL, GraphX o MLib.

Objetivos

Este curso está dirigido principalmente a desarrolladores, sobre todo para aquellos que tengan conocimientos y experiencia sobre el lenguaje de programación Python.

Contenidos del curso

1. Machine learning como campo de la IA
   • Acotando AI
   • Machine learning vs Deep learning
   • ML y Big Data
   • Rol del científico de datos
   • Fases en ML
   • Datos y DataSets
   • Selección de características o features
   • Dimensiones etiquetas atributos
   • Método supervisado y no supervisado
   • Modelos en ML

 

2. Entrada y salida con Python
   • Trabajando con archivos
   • Manipulación de datos
   • Networking: operaciones

 

3. Distribución de paquetes
   • Concepto de package
   • Instalación con pip
   • Anaconda
   • Formato Wheel

 

4. Numpy y Scipy
   • Qué son y para que sirven
   • NumPy datatypes
   • NumPy character codes
   • n-dimensional arrays: operaciones

 

5. Plotting con Python
   • Librerías más populares
   • Matplotlib: configuración
   • Modificar colores y líneas
   • Mostrar varios valores de forma simultanea
   • Establecer límites y rejilla
   • Agregar etiquetas, leyenda
   • Controlar el formato gráfico
   • Controlar el estilo de línea
   • Control de la escala: ticks
   • Tipos de gráficos y su uso

 

6. Pandas
   • Qué es y para que sirve
   • Las series: operaciones
   • Los DataFrames: operaciones
   • Carga de datos en Dataframes
   • NumPy y Pandas

 

7. Algoritmos Machine learning
   • Algortimos Machine Learning supervisados
   • Algortimos Machine Learning no supervisados
   • Elegir el algortimo correcto
   • Ciclos de vida en el desarrollo de Machine Learning
   • Clasificando con k-Nearest Neighbors (SL)
   • Algortimo k-Nearest Neighbors
   • La tasa de error
   • Arboles de decisión (SL)
   • Usando arboles de decisión
   • Random Forests
   • Naive Bayes Classifier (SL)
   • Clasificación de documentos con Naive Bayes
   • Learning Type no supervisado: Clustering
   • K-Means Clustering (UL)
   • K-Means Clustering in a Nutshell
   • Analisis de regresión
   • Tipos de regresión
   • Modelo de regresión simple linear
   • Linear Regression Illustration
   • Least-Squares Method (LSM)
   • LSM Assumptions
   • Adaptando modelos de regresiónn linear en R
   • Ejemplo de uso de la función R's lm()
   • Ejemplo de uso de lm() con un Data Frame
   • Regresión logística
   • Regresión vs Clasificación
   • Análisis de Time-Series
   • Descomponiendo Time-Series