fbpx
¡Oferta!

Machine Learning con Python – Aprendizaje no supervisado

$67.99 $54.99 Sin IVA

*Precio en dólares

Fecha: 24, 25 y 26 de septiembre del 2020.
Horario: Jueves y viernes de 18h30 a 20h30, Sábado de 8h00 a 10h00 (GTM-5: Bogotá, Lima, Quito).
Duración: 6 horas.

Resumen

El curso abordará los principales algoritmos del aprendizaje no supervisado, para moldear y comprender la estructura imperante en los datos. Por tanto, esto te permitirá identificar insights relevantes en las fuentes de datos.

Asimismo, aprenderás la temática de reducción de dimensiones a través de la implementación del Análisis de Componentes Principales (ACP) y el algoritmo t-SNE.

Finalmente, revisarás el concepto de clustering y desarrollarás los principales algoritmos de agrupamiento como son: K-means e Hierarchical clustering.

Metodología

Aplicamos la metodología learning by doing utilizando notebooks y herramientas en la nube para manejo de grandes volúmenes de datos.

¿Por qué aprender Machine Learning?

Ante el crecimiento masivo de los datos, se hace cada vez mas necesario contar con herramientas de reducción de la dimensionalidad para obtener las características y; features relevantes para el modelamiento de los datos.

Por tanto, comprender la estructura de los datos y la forma en que se agrupan, permite tomar mejores decisiones fundamentadas en procesos analíticos.

Objetivos de aprendizaje
  1. Implementar el Análisis de Componentes Principales como técnica de reducción de dimensiones.
  2. Ejecutar el algoritmo t-SNE como técnica de reducción de dimensiones y descubrimiento de patrones en los datos.
  3. Emplear el algoritmo de K-means para realizar labores de clustering en los datos.
  4. Ejecutar el algoritmo Hierarchical clustering o clustering jerárquico para comprender la estructura de agrupamiento en los datos.

Lecciones

  • Análisis de Componentes Principales
  • t-SNE
  • K-means
  • Hierarchical clustering

Instructor

MSc. Paúl Córdova

Investigador de datos en handytec Academy y consultor de proyectos de analítica avanzada en handytec. Economista con mención en econometría de la Pontificia Universidad Católica del Ecuador, sede Quito y Máster en Data Science para Finanzas por el Colegio Universitario de Estudios Financieros, campus Madrid. Su experiencia actual se basa en la implementación de proyectos de analítica principalmente en la industria financiera y en el desarrollo de formación en Ciencia de Datos aplicando metodologías innovadoras de aprendizaje.

Detalles importantes

  • Herramienta: Python en Databricks. No requieres instalar ningún software en tu computadora
  • Nivel: Intermedio
  • Prerrequisitos:
    • Conocimiento de python nivel intermedio: scikit-learn
    • Conocimientos básicos de estadística
    • Conocimientos introductorios de Machine Learning
  • Accede a los videos de las clases grabadas

También te recomendamos…

Ir arriba