Machine Learning for Data Science

Duración 23 h. 18 m. 7 s.

Precio

Sobre curso

En este curso aprenderemos el manejo de la herramienta Python desde un nivel introductorio con el manejo de estructuras y funciones, así como la presentación de las principales librerías orientadas a ciencia de datos. Continuaremos con la aplicación de algoritmos para la exploración de modelos de machine learning, series de tiempo y deep learning.

+ de 40% de descuento

Certificado digital
Material descargable
Docente especializado
100% online

BROCHURE

Contenido de curso

Cómo abordar el problema de datos utilizando Python1 h. 30 m.Gratis

Recursos.ipynb Empezar

5 Libros de Python.ipynb Empezar

1.1. Numpy12 m. 59 s. Empezar

1.1.1. Métodos y funcionalidades con Numpy1 h. 5 m. 16 s. Empezar

1.1.2. Pandas3 m. 42 s. Empezar

1.2. Series & Dataframes y funcionalidades1 h. 12 m. 26 s. Empezar

1.3. Nociones básicas de Matplotib29 m. 50 s. Empezar

1.4. Histograma1 m. 15 s. Empezar

1.5. Gráfico de Barras8 m. 47 s. Empezar

1.6. Gráfico Circular1 m. 42 s. Empezar

1.7. Mapas de Calor3 m. 38 s. Empezar

1.8. Gráfico Cyberpunk20 s. Empezar

1.9. Gráficos de Dispersión6 m. 29 s. Empezar

1.10. Seaborn1 m. 30 s. Empezar

Recursos.ipynb Empezar

2.1. Introducción a EDA40 m. 39 s. Empezar

2.1.1 Importando y cargando el dataset6 m. 48 s. Empezar

2.1.2. Eliminando columnas y simulando datos nulos29 m. 22 s. Empezar

2.1.3. Identificando el tipo de datos faltantes con Missingno21 m. 10 s. Empezar

2.2. Métodos de Imputación20 m. 33 s. Empezar

2.2.1. Imputar valores con Fordward y Backward5 m. 43 s. Empezar

2.2.2. Imputación basada en estadísticas17 m. 55 s. Empezar

2.2.3. Imputación con KKNImputer3 m. 41 s. Empezar

2.2.4. Imputación con imputador iterativo4 m. 28 s. Empezar

2.3. Eliminando valores duplicados2 m. 56 s. Empezar

Recursos.ipynb Empezar

3. Tratamiento de Outliers14 m. 50 s. Empezar

3.1. Cargando datos y detectando valores atípicos36 m. 50 s. Empezar

3.2. Análisis univariante de los datos10 m. 51 s. Empezar

3.2.1. Removiendo Outliers con el método de RIC y Automatizando19 m. Empezar

3.3. Outliers en R_n18 m. 5 s. Empezar

3.3.1. Usando data sintética8 m. 36 s. Empezar

3.3.2. Utilizando un Dataset de problema9 m. 59 s. Empezar

3.4. Casos de uso EDA1 h. 25 m. 32 s. Empezar

Recursos.ipynb Empezar

4.1. Introducción a Machine Learning1 h. 9 m. 55 s. Empezar

4.2. Métodos de selección de variables & Carga Dataset5 m. 57 s. Empezar

4.3. Eliminación de variables con baja varianza4 m. 34 s. Empezar

4.4. Selección de características univariante usando SelectKbest5 m. 2 s. Empezar

4.5. Eliminar características altamente correlacionadas6 m. 54 s. Empezar

4.6. Métodos basados en la importancia18 m. 58 s. Empezar

4.7. Reducción de dimensionalidad PCA14 m. 39 s. Empezar

Recursos.ipynb Empezar

5.1. Balanceo de datos y graficando31 m. 59 s. Empezar

5.2. Dataset & Funciones de ayuda & Entrenando por defecto10 m. 6 s. Empezar

5.3. RandomUnderSampler13 m. 56 s. Empezar

5.4. RandomOverSampler10 m. 47 s. Empezar

5.5. Desbalance en Datasets de Imágenes19 m. 46 s. Empezar

5.6. Escalamiento y normalización58 m. 17 s. Empezar

5.7. Codificando Variables LabelEncoder & Hot Encoding34 m. 35 s. Empezar

Recursos.ipynb Empezar

6.1. Conceptos de Algoritmo de Regresión7 m. 1 s. Empezar

6.2. Regresión Lineal Simple usando Sklearn y statsmodels48 m. 43 s. Empezar

6.3. Regresión Lineal Múltiple8 m. 22 s. Empezar

6.4. Teoría de Algoritmos de Regresión59 m. 47 s. Empezar

6.5. Otros Datasets Regresión Lineal & Ridge & Lasso20 m. 26 s. Empezar

6.6. Otros Datasets Regresión con Vectores de soporte, RF, XGBOOST14 m. 21 s. Empezar

Recursos.ipynb Empezar

7.1. Teoría Métricas de evaluación para un modelo de Clasificación1 h. 18 s. Empezar

Video.ipynb (Parte 1)26 m. 12 s. Empezar

Video.ipynb (Parte 2)34 m. 6 s. Empezar

Recursos.ipynb Empezar

9.1. Teoría de Algoritmos de Clustering1 h. 2 m. 30 s. Empezar

9.2. K Means Clustering19 m. 20 s. Empezar

9.3. Teoría Algoritmos Jerárquicos24 m. 49 s. Empezar

9.4. Hierarchical Clustering & K grupo óptimo14 m. 28 s. Empezar

9.5. Teoría de algoritmos basados en Densidad15 m. 30 s. Empezar

9.6. DBSCAN21 m. 57 s. Empezar

Comprar ahora

Pase la prueba para recibir el certificado

Tema

Examen Machine Learning for Data Science

Pase la prueba

Instructor de curso

Doctorado en Ciencias de la Computación con una sólida formación en aprendizaje automático/profundo y más de 6 años de experiencia en el uso de modelos predictivos y algoritmos de procesamiento de datos. Experto en los lenguajes de programación Matlab y R/Python e involucrado en la investigación de reconocimiento de acción/gestos/lengua de signos.

Machine Learning for Data Science

Sobre curso

BROCHURE

Pase la prueba para recibir el certificado

Examen Machine Learning for Data Science

Edwin Escobedo

Instructor de curso

VER MAS