Machine Learning y Data Science Curso Completo con Python
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 3
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
Requirements
Conocimientos básicos sobre el lenguaje de programación Python
Description
¡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 cursoBienvenido al curso: Machine Learning desde cero. Proyectos reales en Python 3Machine Learning: Contexto y MotivaciónIntroducción 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 ModelosRegresión y Clasificación: Regresión Lineal, regresión LogísticaCreación de un proyecto de Machine Learning: Visualización del conjunto de datos, Overfitting, Underfitting, Evaluación, Selección del modeloSupport Vector Machines (SVM): Hard Margin Classification, Soft Margin Classification, Modelo Lineal, KernelsÁrboles de decisión y conjuntos de árboles: Árbol de decisión, Gini Impurity, Ensemble Learning, Bagging, Pasting, Boosting, Stacking, Random ForestsSelección y Extracción de característicasAlgoritmos de Clustering: Kmeans, Dbscan, Purity Score, Silhouette coefficient, Calinski & Harabasz indexAlgoritmos de Machine Learning basados en probabilidad: Teorema de Bayes, Naive Bayes, Bernoulli Naive Bayes, Gaussian Naive BayesAlgoritmos de Machine Learning para la detección de anomalías: Gaussian distribution, Multivariate Gaussian distribution, Random ForestRedes Neuronales Artificiales y Deep Learning: Threshold Logic Unit, Percetrón, Perceptrón Multicapa, Redes Neuronales ProfundasDespedida del curso: Machine Learning desde cero. Proyectos reales en Python 3
Overview
Section 1: Bienvenido al curso: Machine Learning desde cero. Proyectos reales en Python 3
Lecture 1 Presentación del curso
Section 2: Machine Learning: Contexto y Motivación
Lecture 2 Introducción al curso
Lecture 3 Contexto actual de la Inteligencia Artificial
Lecture 4 Falso Obama modificado con Inteligencia Artificial
Section 3: Introducción y creación el entorno de aprendizaje para Python 3
Lecture 5 Preparación del entorno de aprendizaje
Lecture 6 Entorno offline: Anaconda
Lecture 7 Descarga de los casos prácticos y conjuntos de datos
Lecture 8 Enlaces de descarga de los casos prácticos y conjuntos de datos
Lecture 9 Entorno offline: Jupyter Notebook
Lecture 10 Entorno online: Google Colab
Section 4: Librerías básicas de Data Science y Machine Learning
Lecture 11 Librerías básicas de Data Science y Machine Learning
Lecture 12 Caso Práctico: Introducción a Numpy
Lecture 13 Caso Práctico: Introducción a Pandas – Series
Lecture 14 Caso Práctico: Introducción a Pandas – DataFrames
Lecture 15 Caso Práctico: Introducción a Matplotlib
Section 5: ¿Qué es el Machine Learning?
Lecture 16 Introducción a la sección
Lecture 17 ¿Qué es el Machine Learning?
Lecture 18 Clasificación de los sistemas de Machine Learning
Lecture 19 Algoritmos de aprendizaje supervisado
Lecture 20 Algoritmos de aprendizaje no supervisado
Lecture 21 Aprendizaje online y batch
Lecture 22 Aprendizaje basado en instancias y basado en modelos
Section 6: Regresión y Clasificación
Lecture 23 Introducción a la sección
Lecture 24 Regresión Lineal: Introducción
Lecture 25 Regresión Lineal: Función hipótesis
Lecture 26 Regresión Lineal: Construcción del modelo
Lecture 27 Regresión Lineal: Función de coste
Lecture 28 Regresión Lineal: Función de optimización
Lecture 29 Caso práctico: Prediciendo el coste de un incidente de seguridad
Lecture 30 Regresión Logística: Introducción
Lecture 31 Regresión Logística: Representación de la función hipótesis
Lecture 32 Regresión Logística: Construcción del modelo
Lecture 33 Regresión Logística: Interpretación de la función hipótesis
Lecture 34 Regresión Logística: Función de coste I
Lecture 35 Regresión Logística: Función de coste II
Lecture 36 Regresión Logística: Función de optimización
Lecture 37 [Opcional] Clasificación y Ciberseguridad
Lecture 38 Caso Práctico: Construyendo un detector de SPAM
Lecture 39 Preguntas Frecuentes
Section 7: Creación de un proyecto de Machine Learning
Lecture 40 Introducción a la sección
Lecture 41 Conjunto de datos
Lecture 42 Caso Práctico: Visualización del conjunto de datos
Lecture 43 Overfitting y Underfitting
Lecture 44 Soluciones al Overfitting
Lecture 45 Evaluación de la función hipótesis
Lecture 46 Selección del modelo
Lecture 47 Caso Práctico: División del conjunto de datos
Lecture 48 Preparación del conjunto de datos
Lecture 49 Caso Práctico: Preparación del conjunto de datos
Lecture 50 Caso Práctico: Creación de Pipelines y Transformadores personalizados
Lecture 51 Evaluación de los resultados
Lecture 52 Caso Práctico: Evaluación de los resultados
Section 8: Support Vector Machines (SVM)
Lecture 53 Introducción a la sección
Lecture 54 SVM: Introducción
Lecture 55 SVM: Hard Margin Classfication
Lecture 56 SVM: Construcción del modelo lineal – Función de coste
Lecture 57 SVM: Construcción del modelo lineal – Función hipótesis
Lecture 58 SVM: Soft Margin Classification
Lecture 59 SVM: Kernels – Regresión Polinómica
Lecture 60 SVM: Kernels – Gaussian Kernel
Lecture 61 Caso Práctico: Detección de URLs maliciosas
Lecture 62 Preguntas Frecuentes
Section 9: Árboles de decisión y conjuntos de árboles (Random Forest)
Lecture 63 Introducción a la sección
Lecture 64 Árboles de decisión: Introducción
Lecture 65 Árboles de decisión: Gini Impurity
Lecture 66 Árboles de decisión: Entrenamiento del algoritmo
Lecture 67 Árboles de decisión: Clasificación y Función de Coste
Lecture 68 Árboles de decisión: Regresión y función de coste
Lecture 69 Limitaciones de los árboles de decisión
Lecture 70 Caso Práctico: Detección de malware en Android
Lecture 71 Ensemble Learning: Introducción
Lecture 72 Ensemble Learning: Bagging y Pasting
Lecture 73 Ensemble Learning: Random Forests
Lecture 74 Ensemble Learning: Boosting y Stacking
Lecture 75 Caso Práctico: Detección de malware en Android (II)
Lecture 76 Preguntas Frecuentes
Section 10: Selección y Extracción de características
Lecture 77 Introducción a la sección
Lecture 78 Caso Práctico: Selección del modelo
Lecture 79 Selección de características
Lecture 80 Caso Práctico: Selección de características
Lecture 81 Extracción de características
Lecture 82 Caso Práctico: Extracción de características – PCA
Lecture 83 Preguntas Frecuentes
Section 11: Algoritmos de Clustering
Lecture 84 Introducción a la sección
Lecture 85 ¿Qué es el clustering?
Lecture 86 Técnicas de clustering: KMEANS
Lecture 87 Técnicas de clustering: DBSCAN
Lecture 88 Evaluación de los resultados de Clustering
Lecture 89 [Opcional] Clustering y Ciberseguridad
Lecture 90 Caso Práctico: Detección de transacciones bancarias fraudulentas (I)
Lecture 91 Caso Práctico: Detección de transacciones bancarias fraudulentas (II)
Section 12: Algoritmos de Machine Learning basados en probabilidad
Lecture 92 Introducción a la sección
Lecture 93 ¿Qué es la probabilidad?
Lecture 94 Naive Bayes: Introducción
Lecture 95 Funcionamiento del Teorema de Bayes
Lecture 96 Funcionamiento del algoritmo Naive Bayes
Lecture 97 Caso Práctico: Construcción de un filtro de detección de SPAM
Section 13: Algoritmos de Machine Learning para la detección de anomalías
Lecture 98 Introducción a la sección
Lecture 99 ¿Qué es la detección de anomalías?
Lecture 100 Distribución Gaussiana: Introducción
Lecture 101 Distribución Gaussiana: Estimación de los parámetros
Lecture 102 Distribución Gaussiana: Funcionamiento de algoritmo
Lecture 103 Distribución Gaussiana: Selección del Threshold
Lecture 104 Distribución Gaussiana Multivariante
Lecture 105 Caso Práctico: Detección de transacciones bancarias fraudulentas
Lecture 106 Isolation Forest: Introducción
Lecture 107 Isolation Forest: Funcionamiento del algoritmo
Lecture 108 Isolation Forest: Construcción del modelo
Lecture 109 Caso Práctico: Detección de transacciones bancarias fraudulentas
Section 14: Redes Neuronales Artificiales y Deep Learning
Lecture 110 Introducción a la sección
Lecture 111 Introducción a las Redes Neuronales Artificiales
Lecture 112 Perceptrón: Neuronas Artificiales y Construcción del modelo
Lecture 113 Perceptrón multicapa
Lecture 114 Aprendizaje RNAs: Gradient Descent y Backpropagation (I)
Lecture 115 Aprendizaje RNAs: Gradient Descent y Backpropagation (II)
Lecture 116 Tipos de Redes Neuronales Artificiales
Lecture 117 Caso Práctico: Detección de transacciones bancarias fraudulentas
Section 15: Despedida del curso: Machine Learning desde cero. Proyectos reales en Python 3
Lecture 118 Despedida del curso
Lecture 119 Clase extra – ¿Próximos pasos?
Estudiantes con interés por el Data Science y el Machine Learning,Desarrolladores en Python con interés por el Machine Learning,Estudiantes interesados en Machine Learning e Inteligencia Artificial,Estudiantes interesados en la aplicación del Machine Learning a proyectos reales,Estudiantes interesados en la aplicación de las técnicas de Machine Learning a la Ciberseguridad,Expertos en Ciberseguridad con interés por el Machine Learning o el Data Science
Course Information:
Udemy | Español | 30h 45m | 14.35 GB
Created by: Santiago Hernández
You Can See More Courses in the IT & Software >> Greetings from CourseDown.com