What you'll learn:
- Los algoritmos y fundamentos más relevantes del Machine Learning
- La aplicación de técnicas de Machine Learning a casos prácticos reales
- El desarrollo e implementación de sistemas de Machine Learning con Python
- Las intuiciones matemáticas necesarias para comprender las técnicas actuales y futuras de Machine Learning
- Las técnicas necesarias para crear un proyecto real completo de Machine Learning utilizando Python
- La ejecución de algoritmos de Machine Learning en entornos offline y online
- La aplicación de técnicas de Machine Learning a problemas reales dentro del dominio de la Ciberseguridad
- El uso de algoritmos de Machine Learning para la realización de predicciones y la resolución de tareas complejas
¡Hola a todos y bienvenidos a este curso sobre los fundamentos del Machine Learning y su aplicación en la solución de problemas reales mediante el uso de Python 3!
Mi nombre es Santiago Hernández y voy a ser vuestro instructor a lo largo de este programa formativo, tenéis más información sobre mí en la biografía o en el vídeo “Presentación del instructor”.
A lo largo de este curso sobre Machine Learning y Data Science presentaré, desde un nivel muy básico y al alcance de todo tipo de perfiles, los fundamentos teóricos y matemáticos que se necesitan para comprender en detalle el funcionamiento de los algoritmos de aprendizaje automático y las técnicas de ciencia de datos más importantes en la actualidad.
Para ello, utilizaré el enfoque que mejores resultados me ha proporcionado al impartir este tipo de clases en diferentes universidades, un enfoque práctico, en el que veréis como se desarrollan las diferentes funciones y ecuaciones matemáticas de mi puño y letra.
Representaré gráficamente todas las intuiciones matemáticas en las que se fundamenta el Machine Learning, de manera que, cualquier persona pueda comprenderlas y avanzar con las siguientes secciones. Este no es un curso para matemáticos, es un curso para todos aquellos que quieren adentrarse en el dominio del aprendizaje automático aprendiendo unas bases sólidas que le permitan solucionar problemas reales mediante la implementación en Python 3 de las principales técnicas existentes y comprender aquellos algoritmos que surjan en el futuro.
A medida que vayamos construyendo y comprendiendo estos fundamentos teóricos, iremos aplicándolos a casos de uso prácticos en los que utilizaremos conjuntos de datos reales. Yo soy un firme creyente de que aquellas cosas que se aprenden de manera teórica deben saberse aplicar a casos de uso prácticos para sacarles todo el rendimiento posible, y esto es exactamente lo que haremos a lo largo del curso. En estos casos prácticos, trataremos de resolver diferentes problemas que existen en la actualidad mediante la aplicación de Machine Learning y Data Science en dominios tan interesantes como la Ciberseguridad utilizando el lenguaje de programación Python 3. Por supuesto, desde el primer momento dispondréis de todo el código fuente y de la posibilidad de utilizarlo para vuestros propios desarrollos.
La inteligencia Artificial y más concretamente el Machine Learning, ha sido percibida en muchas ocasiones como una disciplina compleja al alcance de unos pocos profesionales. Este curso ha sido creado para refutar esta creencia y demostrar que cualquier persona con suficiente interés puede convertirse en un profesional del aprendizaje automático, inscríbete ahora y compruébalo tú mismo.
Temario del curso
Bienvenido al curso: Machine Learning desde cero. Proyectos reales en Python 3
Machine Learning: Contexto y Motivación
Introducción y creación el entorno de aprendizaje para Python 3: Jupyter Notebook, Jupyter Lab, Google Colaboratory, Numpy, Pandas, Matplotlib
¿Qué es el Machine Learning?: Aprendizaje Supervisado, Aprendizaje no Supervisado, Aprendizaje Online, Aprendizaje Batch, Aprendizaje basado en Instancias, Aprendizaje basado en Modelos
Regresión y Clasificación: Regresión Lineal, regresión Logística
Creación de un proyecto de Machine Learning: Visualización del conjunto de datos, Overfitting, Underfitting, Evaluación, Selección del modelo
Support Vector Machines (SVM): Hard Margin Classification, Soft Margin Classification, Modelo Lineal, Kernels
Árboles de decisión y conjuntos de árboles: Árbol de decisión, Gini Impurity, Ensemble Learning, Bagging, Pasting, Boosting, Stacking, Random Forests
Selección y Extracción de características
Algoritmos de Clustering: Kmeans, Dbscan, Purity Score, Silhouette coefficient, Calinski & Harabasz index
Algoritmos de Machine Learning basados en probabilidad: Teorema de Bayes, Naive Bayes, Bernoulli Naive Bayes, Gaussian Naive Bayes
Algoritmos de Machine Learning para la detección de anomalías: Gaussian distribution, Multivariate Gaussian distribution, Random Forest
Redes Neuronales Artificiales y Deep Learning: Threshold Logic Unit, Percetrón, Perceptrón Multicapa, Redes Neuronales Profundas
Despedida del curso: Machine Learning desde cero. Proyectos reales en Python 3
