¡Aprende a optimizar el desempeño y el procesamiento de información de tus modelos Machine Learning!
Duración: 06 Sesiones
Modalidad: Transmisión EN VIVO via Zoom
¿Qué aprenderás en el curso?
En nuestro curso de Data Science: Machine Learning lograrás:
Analizar el desempeño de modelos de Machine Learning
Desarrollar algoritmos para optimizar modelos supervisados
Optimizar el análisis de los modelos no optimizados
Conocer las principales aplicaciones de modelos de Deep Learning
Aplicar modelos de ML para el procesamiento del Lenguaje natural
Beneficios del curso
Metodología de aprendizaje moderna con casos reales, talleres aplicativos y desarrollo de proyecto integrador
Actualizaté y potencia tus habilidades en corto tiempo
Desarrollo y seguimiento de tu proyecto integrador por tu docente
Cursos online gratuitos: Con acceso ilimitado para complementar tu aprendizaje
- Introducción: Python
- Aprendizaje Integral: SQL Server y Power BI
- Formación Profesional: Habilidades para el Empleo
Acceso a un foro de consultas con la Comunidad WE en Discord
Acceso a bolsa de trabajo
Garantía de aprendizaje: Si durante el programa tienes alguna disconformidad te reasignaremos a un nuevo inicio
Propuesta de valor
GitHub: podrás crear un portafolio de proyectos en la red más empleada por analistas de datos y programadores que te permitirá encontrar tu siguiente trabajo
Docente
David Allende
LEADER DATA SCIENTIST en TOTTUS
Especialista en Business Analytics and Statistical Engineer. Ingeniero Estadístico con Especialización en Data Mining por Los Andes University. Experiencia liderando equipos de Data Science con alto impacto en el negocio. Profesional con experiencia en áreas de Business Analytics, analytical CRM y transformación digital en empresas como INTERBANK, ENTEL, PERUSTAT, entre otras.
Temario
Aplicaciones de Machine Learning en las organizaciones
Paradigmas del Machine Learning
Principales algoritmos de Machine Learning
Data Aquisition, Wrangling y Web Scrapping en Python
Desarrollo y evaluación de modelos
Caso 1: Extracción de Datos con Data Wrangling
Caso 2: Introducción a repositorios en Git Hub
Taller 1: Evaluación de desempeño en modelos predictivos
Implementación y evaluación de los modelos supervisados
Modelos analíticos: Regresión y Clasificación binaria
Algoritmos de clasificación: Árboles de decisión y Random Forest
Algoritmos XGBoost y CatBoost: Comparación de algoritmos
Caso 1: Técnicas de mejora de rendimiento de modelo
Caso 2: Ajuste de parámentros de modelos supervisados
Taller 2: Análisis y ajuste de variables críticas de modelo
Método de clustering: K- Means
Método de clustering: DBScam
Modelo de asociación - Inmersión
Detección de anomalías en modelos no supervisados
Evaluación de desempeño de modelos en Clustering
Caso 1: Elaboración de subconjuntos mediante Clustering
Caso 2: Cómo identificar a mis usuarios potenciales
Taller 3: Identificando relaciones entre datos estructurados
¿Por qué Deep Learning? Aplicaciones y usos
Modelos de Deep Learning
Redes neuronales convencionales y recurrentes
Deep Learning con TensorFlow
Construcción de una red neuronal artificial
Caso 1: Aplicaciones de modelos de Deep Learning
Caso 2: Diseño de una red neuronal
Taller 4: Análisis de tendencias en comportamiento de usuario
Modelado de series de tiempo
Evaluación de modelos de series de tiempo
Aplicaciones anvanzadas de filtrado de datos
Sistemas de recomendación basado en contenido
Modelo Factorización Marcial: Matrix Factorization
Caso 1: Aplicaciones de series de tiempo en la industria
Caso 2: Análisis de aplicaciones en modelos de recomendación
Taller 5: Diseño e implementación de sistemas de recomendación
Procesamiento de lenguajes natural: casos de uso
Limpieza y depuración de textos
Aplicación de técnicas de procesamiento de lenguaje natural
Modelado de temas y aplicación de modelos supervisados
Caso 1: Clasificación de imágenes utilizando un conjunto de datos
Caso 2: Publicando tu modelo analítico en Git Hub
Taller 6: Optimizando el desempeño de tus modelos de ML
Proyecto Integrador
En este proyecto optimizarás el desempeño de tus modelos de Machine Learning. Iniciarás evaluando el funcionamiento de tus modelos de Machine Learning. Esto te permitirá ajustar tus variables y algoritmos en tus modelos supervisados y no supervisados. Además, podrás emplear modelos de Deep Learning para el procesamiento de datos no estructurados. Finalmente, podrás definir sistemas de recomendación y optimizar el desempeño de tus modelos para gestionar la relación con tus clientes.
Clase Modelo
Vive la experiencia de aprendizaje con Gerentes y Ejecutivos de las empresas más importantes
Testimonio
Llevamos capacitando a más de 100.000 alumnos en 25 países. El 85% de nuestros egresados logra conseguir su primer empleo o ascenso profesional.
¡Inscríbete en 3 pasos!
Sigue los pasos del tutorial e inscríbete en línea en menos de 1 minuto
Campus Virtual
Clases grabadas, material académico y acceso a todos tus programas
Garantía de Aprendizaje
Si durante el programa tienes alguna disconformidad te reasignaremos a un nuevo grupo de inicio