Machine Learning y Data Science Curso Completo con Python

Aprende Machine Learning y Data Science con Python, ¡conviértete en un experto en Machine Learning con Python!
Machine Learning y Data Science Curso Completo con Python
File Size :
14.35 GB
Total length :
30h 45m

Category

Instructor

Santiago Hernández

Language

Last update

Última actualización: 1/2023

Ratings

4.7/5

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

Machine Learning y Data Science Curso Completo con Python

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

New Courses

Scroll to Top