Machine Learning de A a la Z: R y Python para Data Science
Offered By: Udemy
Course Description
Overview
What you'll learn:
- Dominar el Machine Learning con R y con Python.
- Tener intuición en la mayoría de modelos de Machine Learning.
- Hacer predicciones precisas y acertadas.
- Crear unos análisis elaborados.
- Crear modelos de Machine Learning robustos y consistentes.
- Crear valor añadido a tu propio negocio.
- Utilizar el Machine Learning para cuestiones personales.
- Dominar aspectos específicos como por ejemplo Reinforcement Learning, NLP o Deep Learning
- Conocer las técnicas más avanzadas como la reducción de la dimensionalidad.
- Saber qué modelo de Machine Learning usar para cada tipo de problema.
- Crear toda una librería de modelos de Machine Learning y saber cómo combinarlos para resolver cualquier problema.
- Incluye el libro oficial de preguntas típicas de machine learning, creado a partir de las dudas de estudiantes con ejemplos y respuestas a tus posibles dudas.
Apúntate a nuestro Curso de Machine Learning de la A a la Z. R y Python para Data Science.
¿Estás interesado en conocer a fondo el mundo del Machine Learning? Entonces este curso está diseñado especialmente para ti!!
Este curso ha sido diseñado porData Scientists profesionalespara compartir nuestro conocimiento y ayudarte a aprender la teoría compleja, los algoritmos y librerías de programación de un modo fácil y sencillo.
En él te guiaremos paso a paso en el mundo delMachine Learning. Con cada clase desarrollarás nuevas habilidades y mejorarás tus conocimientos de este complicado y lucrativa sub rama del Data Science.
Este curso esdivertido y amenopero al mismo tiempo todo un reto pues tenemos mucho de Machine Learning por aprender. Lo hemos estructurado del siguiente modo:
Partes del curso
1ª Parte – Preprocesamiento de datos
2ª Parte – Regresión: Regresión Lineal Simple, Regresión Lineal Múltiple, Regresión Polinomial, SVR, Regresión en Árboles de Decisión y Regresión con Bosques Aleatorios
3ª Parte – Clasificación: Regresión Logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación con Árboles de Decisión y Clasificación con Bosques Aleatorios
4ª Parte – Clustering: K-Means, Clustering Jerárquico
5ª Parte – Aprendizaje por Reglas de Asociación: Apriori, Eclat
6ª Parte – Reinforcement Learning: Límite de Confianza Superior, Muestreo Thompson
7ª Parte – Procesamiento Natural del Lenguaje: Modelo de Bag-of-words y algoritmos de NLP
8ª Parte – Deep Learning: Redes Neuronales Artificiales y Redes Neuronales Convolucionales
9ª Parte – Reducción de la dimensión: ACP, LDA, Kernel ACP
10ª Parte – Selección de Modelos & Boosting: k-fold Cross Validation, Ajuste de Parámetros, Grid Search, XGBoost
Además, el curso está relleno deejercicios prácticosbasados en ejemplos de la vida real, de modo que no solo aprenderás teoría, si no también pondrás en práctica tus propios modelos con ejemplos guiados.
Y como bonus, este curso incluye todo elcódigo en Python y Rpara que lo descargues y uses en tus propios proyectos.
Además, con el curso obtendrás el libro oficial de preguntas típicas de machine learning, creado a partir de las dudas de los estudiantes con más ejemplos y respuestas a tus posibles dudas.
Taught by
Juan Gabriel Gomila Salas +300.000 estudiantes online and Ligency Team
Related Courses
Address Business Issues with Data ScienceCertNexus via Coursera Advanced Clinical Data Science
University of Colorado System via Coursera Advanced Data Science Capstone
IBM via Coursera Advanced Data Science with IBM
IBM via Coursera Advanced Deep Learning Methods for Healthcare
University of Illinois at Urbana-Champaign via Coursera