Seleccionar página

Especialista Python. Machine Learning Engineer

La relevancia del Big Data en estos momentos radica en el análisis, extracción y estructuración de datos.

Para ello, lo que se necesita es desarrollar ese trabajo de la manera más eficiente, y ahí es donde Python y el Machine Learning juegan un papel tan importante, habiendo demostrado ser imprescindibles por su manejo sencillo y de gran eficiencia en el análisis de datos.

SUBVENCIONADO PARA TRABAJADORES

SOLICITA MÁS INFORMACIÓN

     

    Presencial
    Tele presencial
    Online

    Recursos
    Prácticos

    Certificación
    Oficial

    ¿Quieres ver una clase demo?

      Vídeo Demo
      Infórmate Infórmate

      Sobre el curso de Especialista Python. Machine Learning Engineer.

      Con esta formación aprenderás todo lo necesario para desarrollar una carrera profesional como Data Scientist, usando Python y Machine Learning. Tendrás conocimientos prácticos que te capacitarán para abordar diferentes proyectos en todo tipo de empresas y sectores diferentes para el análisis de grandes volúmenes de información.

       Duración:

      200 Horas / 3-5 meses

       Modalidad:

      Presencial, Tele presencial y Online

       Requisitos Previos:

      Conocimientos básicos de informática e internet

      Certificación Oficial

      El alumno accede al registro oficial de técnicos en una tecnología determinada, que lo homologa para ejercer su profesión a nivel internacional. Certificamos a nuestros alumnos en toda España y América Latina.

      • * PCAP 31-03 Certified Associate in Python Programming
      • * DP-100 Designing and Implementing a Data Science Solution on Azure

      Salidas laborales

      La figura del Data Scientist es un perfil profesional surgido de la necesidad que tienen las empresas de recopilar, procesar, gestionar e interpretar los datos masivos que requieren sus estrategias de negocio. Están considerados como uno de los perfiles con más futuro en el mercado laboral, pues su demanda no para de crecer. Se estima que los expertos analistas de Big Data serán los perfiles más demandados durante los próximos años.

      Temario

      Formación Técnica

      ENTORNO DE PYTHON Y HERRAMIENTAS
      • Instalación y configuración de Python.
        Instalación de Python con el entorno Anaconda y PyCharm Community.
        Explicación de los «Enviroments» de Python para personalizar instalaciones.
        Concepto de módulos e instalación de nuevos módulos usando la consola de comandos.
        Primeros conceptos de programación con Python usando consolas: Qt Console y Powershell Prompt.
      • Herramientas de desarrollo.
        Uso de los entornos de desarrollo Spyder y PyCharm para crear programas de Python.
        Fundamentos de programación: uso de variables y funciones.
      • Programación estructurada con Python.
        Reglas de diseño del código.
        Uso de bucles.
        Uso de if-elif-else.
      • Estructuras de datos en Python.
        Uso de tuplas, listas y diccionarios.
        Sintaxis de manipulación de colecciones de datos.
      HERRAMIENTAS DE COMPUTACIÓN DE DATOS
      • Uso de Jupyter Notebook y JupyterLab.
        Creación de documentos con Jupyter Notebook.
        Introducción a la generación de gráficos usando Pandas y Numpy.
      • Uso de RStudio.
        Introducción a la computación estadística y generación de gráficos con la herramienta RStudio.
      • Uso de Glueviz.
        Introducción a la visualización de datos multidimensionales.
        Exploración de relaciones entre conjuntos de datos.
      • Uso de Orange.
        Introducción a la minería de datos con la herramienta Orange.
        Visualización y análisis de datos.
      BASES DE DATOS Y AUTOMATIZACIÓN
      • Bases de datos y automatización. Uso de bases de datos relacionales.
        Introducción al uso de base de datos relacionales con SQLite3.
        Creación de tablas relacionales.
        Operaciones DML: insert, update y delete.
        Operaciones de consulta.
      • Uso de bases de datos no relacionales.
        Instalación de MongoDB.
        Creación y operaciones con documentos.
      • Uso de Glueviz.
        Introducción a la visualización de datos multidimensionales.
        Exploración de relaciones entre conjuntos de datos.
      • Uso de bases de datos no relacionales.
        Instalación y configuración de Git.
        Ejemplos de control de versiones al crear aplicaciones con PyCharm.

      Formación Específica

      PYTHON

      NIVEL I: Programación con Python MTA: 98-381
      • Introducción a Python – Características.
        Instalación Python.
        Uso del intérprete de Python.
        Uso interactivo de Python.
        Uso del IDLE de Python.
        Entorno de Desarrollo Integrado (IDE).
        Variables, expresiones y sentencias.
        Estructuras de control.
      • Módulos de utilidad.
        sys (sistema).
        math (funciones matemáticas).
        datetime (fecha y hora).
        random (valores aleatorios).
        re (expresiones regulares).
        sys (sistema).
      • Funciones y programación modular.
        Uso de funciones.
        Módulos y paquetes.
        Expresiones lambda.
        Funciones recursivas.
      • Clases y herencia.
        Uso de clases.
        Herencia.
        Enumeraciones.
        Decoradores.
        Buenas Prácticas.
      NIVEL II: Representación, proceso y visualización de datos
      • Colecciones y consultas.
        Tuplas, listas, conjuntos y diccionarios.
        Iteradores y generadores.
        Consultas por comprensión.
      • Operaciones con ficheros.
        Operaciones con ficheros: texto.
        Operaciones con ficheros: CSV.
        Operaciones con ficheros binarios: pickle y shelve.
        Operaciones con ficheros: JSON.
        Tuplas, listas, conjuntos y diccionarios.
        Iteradores y generadores.
        Consultas por comprensión.
      • Base de Datos.
        Introducción a la Base de Datos.
        Bases de datos relacionales: SQLite, SQLObject.
        Base de datos No SQL: Base de datos docum.
      • Visualización de datos.
        Pandas (Numpy).
        Dataframes.
        Matplotlib.
        Presentaciones con Jupyter Notebook.
      NIVEL III: Entornos de desarrollo y extracción de datos (Web)
      • Redes y consultas remotas.
        Introducción Internet.
        Fundamentos de HTML.
        Conexiones cliente/servidor usando sockets.
        Implementación de solicitudes HTTP.
        Consultas a servicios Web y API REST.
      • Webscrapping.
        Librerías Beautiful Soup, Selenium y Scrpay.
        Web Scraping vs. Web Crawling.
      • Desplegar una aplicación Python en una GUI.
        Crear una GUI con Tkinter.
        Control de Versiones (Git Hub).
        Crear un ejecutable con Pyinstaller.
      • Aplicaciones web (framework Django).
        El framework Django.
        Modelo de datos.
        Definición de vistas.
        Plantillas.

      MACHINE LEARNING 

      NIVEL I: Fundamentos estadísticos e introducción al ML
      • Metodología CRISP-DM e introducción a la estadística.
        Primera aproximación a las metodologías de trabajo.
        Nociones básicas de estadística.
        Estadística multivariante.
        Funciones de densidad y distribución.
        Estadística inferencial y estadística bayesiana.
      • Fundamentos de Machine Learning.
        Uso de funciones.
        Módulos y paquetes.
        Ejemplos de aplicaciones.
      • Tratamiento de bases de datos.
        Ejemplos en R.
        Ejemplos en python.
        Notebooks en jupyter y otros lenguajes.
        Técnicas de reducción de variables.
      • Primeros algoritmos.
        ANOVA.
        Time series.
      NIVEL II: Algoritmos de Machine Learning 1. Aprendizaje supervisado y no supervisado
      • Algoritmos de clustering y reglas de asociación.
        Ejemplos.
        Aplicación.
      • Técnicas de exploración de datos y Data Viz.
        Data visualization.
        Exploración de bases de datos.
      • Naïve Bayes, KNN y árboles de decisión.
        Algoritmos.
        Aplicaciones.
      • Procesamiento del lenguaje natural y minería de textos.
        Introducción.
        Ejemplos.
        Aplicaciones.
      NIVEL III: Algoritmos de Machine Learning 2. Aprendizaje no supervisado y Deep learning
      • Regresión básica.
        Regresión lineal.
        Regresión logística.
        Aplicaciones.
      • Máquinas de vector soporte y redes neuronales unicapa.
        Ejemplos.
        Aplicaciones.
      • Adaboosting y Xboosting.
        Adaboosting: Aplicaciones y ejemplos.
        Xboosting: Aplicaciones y ejemplos.
      • Deep Learning.
        Fundamentos de Deep Learning.
        Deep Learning aplicado.
        Deep Learning para textos e imágenes.
      NIVEL IV: Microsoft DP100 Machine Learning
      • Creación de modelos de Machine Learning. Exploración y análisis de datos con Python.
        Modelos de regresión.
        Modelos de clasificación.
        Agrupación en clústeres.
        Aprendizaje profundo.
      • Creación de modelos predictivos sin código con Azure Machine Learning.
        Creación de un área de trabajo de Azure Machine Learning.
        Recursos de proceso.
        Exploración de datos.
        Entrenar un modelo de Machine Learning.
        Implementación de un modelo como servicio.
      • Compilación de soluciones de IA con Azure Machine Learning.
        Introducción al SDK de Azure Machine Learning.
        Áreas de trabajo de Azure Machine Learning.
        Herramientas e interfaces de Azure Machine Learning.
        Experimentos de Azure Machine Learning.
      • Entrenamiento de un modelo de Machine Learning con Azure Machine Learning.
        Uso de datos en Azure Machine Learning.
        Uso de Compute en Azure Machine Learning.
        Orquestación del aprendizaje automático con canalizaciones.
        Implementación de servicios de aprendizaje automático en tiempo real.
      PROYECTO FINAL
      • Repaso del curso.
      • Caso Práctico.
      SEMINARIO DE CERTIFICACIÓN OFICIAL
      • Preparación de preguntas tipo de examen.

      Formación Subvencionada para las Empresas

      Cloud Formación como entidad inscrita con el código 16753 en el Registro Estatal de Entidades de Formación, gestiona e imparte dentro de la iniciativa de Formación Programada por las Empresas, Formación Profesional para el Empleo, de acuerdo con lo establecido en la Ley 30/2015, de 9 de septiembre.

      Cloud Formación les ayuda de forma gratuita, a consultar el importe del crédito de su empresa para este año.