Descripción
Este curso cubre una amplia gama de temas, desde los conceptos básicos de las bibliotecas de Python hasta conceptos avanzados de aprendizaje automático. Por lo que es un curso apto para aquellos alumnos que no posean una amplia experiencia previa en Python.
Sí que será necesario que los alumnos posean unos conocimientos básicos sobre Python, así como conocimientos teóricos sobre los objetivos y principales funciones de las herramientas de Machine Learning.
Este tipo de curso se imparten con una metodología práctica, por lo que además de los conceptos detallados, se realizarán ejercicios prácticos, desafíos de codificación y ejemplos de proyectos del mundo real, que ayudarán a mejorar las habilidades prácticas de los participantes.
Para aquellas empresas que deseen apuntar a sus trabajadores, el curso es bonificable a través de FundaE. KNOWTECH es entidad organizadora de FundaE por lo que puede hacerse cargo de los trámites de gestión de la bonificación en caso de que la empresa lo requiera.
Objetivos
Este es un curso enfocado a obtener una visión integral sobre el desarrollo de soluciones con marcos de aprendizaje automático en Python, en el curso se repasan frameworks como TensorFlow, Scikit-Learn, Pandas y NumPy, así como otros temas de base para brindar una comprensión completa de las herramientas y técnicas involucradas.
El principal objetivo es que a la finalización del curso el alumno conozca las principales técnicas de Machine Learning, así como de los Frameworks utilizados para su implementación.
Al finalizar el curso se hará entrega a los alumnos de un certificado de asistencia y aprovechamiento.
Contenido
Module 1: Introduction to Machine Learning and Python Libraries
- Introduction to Machine Learning
- Python basics for Machine Learning
Module 2: NumPy Fundamentals
- Introduction to NumPy
- NumPy arrays and operations
- Broadcasting and vectorization
- Working with arrays: Indexing, slicing, and reshaping
Module 3: Data Manipulation with Pandas
- Introduction to Pandas
- Pandas Series and DataFrames
- Data cleaning and preprocessing
- Data aggregation and group operations
Module 4: Machine Learning Fundamentals
- Introduction to Supervised, Unsupervised, and Semi-Supervised Learning
- Feature engineering and selection
- Model evaluation and validation techniques
- Bias-variance tradeoff and overfitting
Module 5: Introduction to Scikit-Learn
- Overview of Scikit-Learn
- Loading and preparing datasets
- Splitting data for training and testing
- Building and evaluating ML models with Scikit-Learn
Module 6: Deep Learning with TensorFlow
- Introduction to Deep Learning
- Introduction to TensorFlow and Keras
- Building, compiling, and training neural networks
- Convolutional Neural Networks (CNNs) for image data
- Recurrent Neural Networks (RNNs) for sequential data
Module 7: Advanced Topics in Machine Learning
- Hyperparameter tuning and cross-validation
- Ensemble methods: Random Forests, Gradient Boosting, etc.
- Unsupervised learning techniques: Clustering and Dimensionality Reduction
- Introduction to Natural Language Processing (NLP) with Scikit-Learn and TensorFlow
- Introduction to Recommender Systems
Module 8: Deployment and Practical Considerations
- Model deployment options: From local to production
- Introduction to cloud platforms for ML deployment
- Monitoring and maintaining deployed models
- Ethical considerations in Machine Learning
Module 9: Real-World Projects and Case Studies
- Working on end-to-end ML projects
- Case studies: Image classification, Sentiment analysis, etc.
- Hands-on exercises and coding challenges
Module 10: Future Trends and Learning Pathways
- Emerging trends in Machine Learning and AI
- Resources for continued learning and skill development
- Building a personal portfolio of ML projects