Curso Inteligencia Artificial
y Machine Learning

El Machine Learning es una de las ramas de la inteligencia artificial, la idea es desarrollar algoritmos que sean capaces de aprender del análisis de datos y detectar patrones, permitiéndoles anticiparse o incluso, actuar en consecuencia si están programados para ello. A pesar de que esto no es nuevo, pues ya se encuentra en muchas de las tecnologías que utilizamos hoy día, apenas se ha desarrollado un mínimo del potencial que habita en la inteligencia artificial.

Sobre el Curso de Inteligencia Artificial y Machine Learning

Se trata de un curso intensivo en donde trabajarás mucho, pero donde encontrarás la satisfacción de dominar una profesión con futuro en apenas unos meses.

En la parte de Machine Learning aprenderás a razonar como lo hace un científico de datos, viendo lo que significa cada aplicación de cada algoritmo, debatirás la idoneidad de las diferentes soluciones y verás cómo se pueden interpretar creando conocimiento y aportando valor a los diferentes problemas de los clientes. Todo ello programando en el entorno de Rstudio, Google Colab, Knime y H2O.

En la parte de Python aprenderás todos los conceptos de programación del lenguaje con mayor tasa de crecimiento en la actualidad. Podrás aplicarlo a Machine Learning, así como a Internet de la cosas, Blockchain, desarrollos de páginas web, etc.

 Duración:

200 Horas / 3-5 meses

 Modalidad:

Presencial, Telepresencial y Online

 Requisitos Previos:

Conocimientos básicos de informática e internet

Para qué te prepara este curso:

Con este curso práctico estarás preparado para ejercer una profesión como científico de datos, profesional con conocimientos empresariales, estadísticos y de programación, aportando soluciones diferentes a las que trabaja a través de los lenguajes de programación. También podrás evolucionar a programador de Python con unos fundamentos sólidos de estadística y de algoritmos predictivos.

Temario:

Formación Técnica

Introducción

Introducción
Conceptos básicos, marco competitivo actual y tendencias futuras.

Power BI
Instalación, presentación del entorno, elaboración de aplicaciones básicas.

Introducción a R
Instalación de R y Rstudio. Presentación del entorno. Conceptos básicos de trabajo: importación de vistas y librerías.

Tidyverse
Presentación de la librería. Utilización de dplyr con ejemplos de programación.

Ggplot2
Introducción a la gramática de gráficos. Ejemplos de programación de las principales opciones. Presentación del material de consulta en Internet.

Power BI con Ggplot2 sobre R
Programación desde Power BI con Ggplot2 sobre R.

Anaconda
Instalación. Presentación del entorno y carga de librerías. Presentación de Jupyter bajo Python y R. Ejemplos básicos de exploración de datos con ggplot y pandas-profiling. Ejemplos básicos de Python. Ejercicios tutorizados.

Knime
Instalación. Presentación del entorno y carga de librerías. Tratamiento de flujo de datos. Ejemplos básicos de flujo. Ejercicios de programación tutorizados.

Formación Específica

Power BI. Instalación y fundamentos

Instalación.
Presentación del entorno.
Elaboración de aplicaciones básicas.
Exploración básica de datos.
Importación de nuevos gráficos desde la web de Microsoft.

Introducción a R y a Python

Instalación de R y Rstudio.
Presentación del entorno.
Conceptos básicos de trabajo: importación de vistas y librerías.

Fundamentos de la librería tidyverse

Presentación de la librería. Utilización de dplyr con ejemplos de programación.

Ggplot 2

Introducción a la gramática de gráficos. Ejemplos de programación de las principales opciones. Presentación del material de consulta en Internet.

Power BI con Ggplot2 sobre R

Programación desde Power BI con Ggplot2 sobre R.

Anaconda

Instalación.
Presentación del entorno y carga de librerías.
Presentación de Jupyter bajo Python y R.
Ejemplos básicos de exploración de datos con ggplot y pandas-profiling.
Ejemplos básicos de Python.
Ejercicios tutorizados.

Knime y RapidMiner

Instalación.
Presentación del entorno y carga de librerías.
Tratamiento de flujo de datos.
Ejemplos básicos de flujo.
Ejercicios de programación tutorizados.

Metodología de trabajo CRISP-DM

CRISP-DM.

Estadística descriptiva univariante

Métricas de centralización, dispersión, asimetría, aplastamiento y concentración.

Estadística descriptiva multivariante

Correlación y covarianza.

Funciones de densidad y de distribución

Principales funciones

Estadísticas inferencial

Muestreo y Tests de hipótesis.
Leyes de los grandes números.
Teorema central del límite.
Intervalos de confianza.

Estadística Bayesiana

Teorema de Bayes.

Fundamentos de Machine Learning

Aprendizaje supervisado y no supervisado.
Instalación e introducción a Rattle.
Instalación e introducción a Rcmdr.
Instalación e introducción a Orange3.

Importación y limpieza de datos

Importación y limpieza de datos.

Primeros algoritmos: ANOVA, ANCOVA

ANOVA.
ANCOVA.
Test Chi-2.
Ajustes de distribución.

Series temporales univariantes

ARIMA.
Alisado exponencial.
BAST.

Técnicas de reducción de variables: PCA, AF, CA, MDS

Componentes principales.
Análisis factorial.
Análisis de correspondencias y escalado multidimensional.

Aprendizaje no supervisado. Fundamentos

Clustering.
Reglas de asociación.

Aprendizaje supervisado. Fundamentos

Fundamentos.
Prepocesamiento de los datos.

EDA. Exploración de datos

Técnicas de exploración de datos

Árboles de decisión

Principales algoritmos de árboles de decisión

Algoritmos explicativos: KNN y Naive-Bayes

Naive-Bayes y KNN.

Algoritmos SVM

SVM

Ensamblaje de algoritmos: bagging y Random Forest

Fundamentos: Bagging y Boosting Random Forest.

Algoritmos Adaboosting

Adaboosting.

Algoritmos Xgboosting

Xgboosting.

Regresión

Regresión logística.
Regresión no logística.

Redes neuronales supervisadas

Fundamentos y redes de una sola capa.

Deep Learning. Fundamentos

Fundamentos Tensorflow y Keras

Deep Learning. Aplicaciones

Tensorflow y Keras

Redes neuronales no supervisadas

Mapas de Kohonen.

Análisis discriminante

Lineal y cuadrático.

Series temporales multivariantes

Modelos complejos de series temporales

Minería de textos. Fundamentos

Fundamentos.

Minería de textos. Aplicaciones

Procesamientos de lenguaje natural

Métodos avanzados de investigación

Aggregator.
Cox Proportional Hazards.
Modelo generalizado lineal.
Stacked Ensembles.
Word2vec.
AutoML.

Interpretación de modelos

LIME, Shappley.

Fundamentos de SQL

Aplicaciones del lenguaje SQL.

Proyecto para presentar por el alumno 1

Predicción de morosidad.

Proyecto para presentar por el alumno 2

Predicción de ventas de un supermercado.

Proyecto para presentar por el alumno 3

Predicción inmobiliaria.

Proyecto para presentar por el alumno 4

Predicción del tráfico.

Proyecto para presentar por el alumno 5

Predicción de la calidad del vino.

Proyecto para presentar por el alumno 6

Segmentación de estudiantes.

Proyecto para presentar por el alumno 7

Predicción de ventas de un Black-Friday

Proyecto para presentar por el alumno 8

Segmentación de clientes de una compañía de móviles.

Proyecto para presentar por el alumno 9

Clasificación de documentos.

Proyecto para presentar por el alumno 10

Recomendar nuevas películas a usuarios.

SOLICITA MÁS INFORMACIÓN
SOLICITA MÁS INFORMACIÓN

¿Quieres este curso gratis?

Todos los cursos y másters de Cloud Formación son bonificables a través de Fundae, por lo que tienes la oportunidad de formarte tú o a tus trabajadores a un precio reducido o incluso gratis en algunos casos. Calcula tu crédito de Fundae y solicita más información