Certificación en Machine Learning con Python

Programa

Unidad 1: Regresiones

• Regresión Lineal.
• Regresión polinómica.
• Regresión exponencial y logarítmica.
• Regresión de dos variables.
• Ejemplos de regresiones con sklearn.linear_model
• Regresiones logística.
• Ejemplos de clasificación con regresión logística con sklearn.linear_model

Unidad 2: Arboles de decisión

• Algoritmo básico en Excel
• División en entrenamiento y prueba
• Uso de sklearn.tree
• Predicción y valoración de la solución
• Aplicación al dataset Titanic
• Aplicación al problema del call center

Unidad 3: «Clusters»

• Algoritmo básico en Excel.
• Uso de kmeans.
• Ejemplo de aplicación real de sklearn.cluster
• Otros algoritmos de agrupamiento en scipy.cluster
• Ejercicio de aplicación de agrupamiento de mascotas.

Unidad 4: Reglas de Asociación

• Algoritmo básico en Access.
• División en entrenamiento y prueba.
• Uso de apriori en Python.
• Ejemplo de una aplicación real votación de reglas.
• Ejemplo de una aplicación real a datos de ventas en supermercados.

Unidad 5: Redes Neuronales

• Algoritmo básico en Excel.
• División en entrenamiento y prueba.
• Instalación y uso del paquete.
• Ejemplo en Python.
• Principales parámetros de ajuste y control.
• Problema concreto.

Unidad 6: Algoritmos genéticos

• Algoritmo básico en Excel.
• Discusión del tipo de problemas en los que se aplica.
• Discusión de otros mecanismos de optimización.
• Implementación en R del método enjambre de partículas.

Unidad 7: Series temporales

• Taxonomía.
• Separación de componentes.
• Predicciones.
• Implementación con statsmodel.
• Predicción en series con un único período.

Unidad 8: Método de Simulación de Montecarlo

• Algoritmo básico en Excel.
• Discusión de la utilidad del método.
• Comparación con el análisis de escenarios.
• Ejemplo de una aplicación real.
• Ejemplo simple implementado en Python.

Unidad 9: Minería de textos

• Clasificación supervisada de piezas de texto.
• Construcción de una red semántica.
• Ejemplos de aplicación real del algoritmo de clasificación.
• Aplicación a la detección de sentimientos.

Unidad 10: Bayes Ingenuo

• Implementación en Excel.
• Ejemplo de aplicación en Python.
• Comparación de 4 algoritmos predictivos. (Bayes ingenuo, árboles, redes neuronales y regression logística)

Unidad 11: Random Forest

• Descripción conceptual del método.
• Paquete sklearn.ensemble.
• RandomForestClassifier
• RandomForestRegressor
• Ejemplo de aplicación.
• Comparación con otras técnicas.

Unidad 12: Métodos Bayesianos

• Descripción conceptual del método:
• Regresión lineal bayesiana: pymc3
• Red bayesiana: pgmpy

Unidad 13: Máquina de soporte vectorial

• Descripción conceptual del método
• Paquete sklearn.svm
• Ejemplo de aplicación
• Comparación con otras técnicas