Machine learning con Python
Mª José Gómez Silva
Luis Garmendia Salvador
José Ángel Carballo Sánchez
Machine learning con python
ÍNDICE
Los contenidos de la asignatura serán los siguientes:
SEMANA 1:
1. Introducción: durante este módulo veremos conceptos básicos que después
necesitaremos conocer durante las clases. También aprenderemos a utilizar la
herramienta jupyter notebook y realizaremos un repaso general del uso en las
principales librerías de data science de Python.
- Introducción al machine learning y sus aplicaciones.
- Conceptos clave: modelo, fases de entrenamiento, validación y test, función de
coste.
- Tipos de aprendizaje.
- Problemas del aprendizaje automático.
- Bases para implementar un proyecto de ML: python, jupyter, scikit -learn, pandas.
2. Ingesta de datos: en este apartado, veremos casos reales de obtención de dat o s y
como convertirlos a dataframes.
- Tipos y fuentes de datos: tipos de archivos, dimensiones, estructurados y no
estructurados, anotaciones.
- Organización y tabulación de los datos: dataframe, manejo de filas y columnas.
- Visualización y análisis de los datos (matplotlib).
3. Pre procesado: veremos diferentes técnicas de procesado y limpieza de datos.
- Filtrado
- Balanceo
- Aumento de datos
SEMANA 2:
4. Modelos: aprenderemos mediante ejemplos los algoritmos supervisados y no
supervisados más conocidos: Regresión - Clasificación - Clustering
Entre los algoritmos supervisados haremos regresión y los clasificadores más
conocidos como:
- Naive Bayes. Clasificación de textos.
- SVM
- Árboles de decisión
- Random Forest. Clasificando dígitos.
- Red Neuronal de una capa (regresión logística)
Entre los algoritmos no supervisados de clustering veremos los fundamentos y
haremos ejemplos de:
- K-Means
- PCA
2
Machine learning con python
SEMANAS 3 Y 4:
5. Mejora de modelos: una vez aprendido las técnicas de importado, procesado,
limpieza de datos y los algoritmos que debemos utilizar (según el caso de uso
que necesitemos implementar), entramos dentro del apartado de m ejo ra de
modelos. Entre las diferentes técnicas, utilizaremos: feature engineering,
selección de variables…
6. Automatización de modelos: muchas veces, necesitaremos probar entre los
diferentes algoritmos cual es la combinación óptima que mejor funciona.
Aprenderemos a utilizar técnicas , herramientas y librerías que nos ayudarán
a ello.
7. Despliegue de modelos: tras haber aprendido a utilizar todas las tecnologías
durante las clases, veremos las diferentes maneras de entregar un modelo y
ponerlo en producción.
8. Ejercicios: por último, terminaremos la asignatura con la realización de
diferentes ejercicios y la práctica de evaluación.
INSTALACIÓN
La clase de machine learning con Python la seguiremos a través de la
herramienta "Jupyter" a través de "Notebooks", que permiten una fácil
visualización y flexibilidad a la hora de hacer exploración de datos y modelo s
de manera ágil.
Realizaremos la instalación (antes de la clase) de esta herramienta (no es
necesario instalar jupyter lab, solamente jupyter notebook):
https://jupyter.org/install
Si ya lo tenéis instalado, no es necesario nada extra (quizás hagamos algún
ajuste de versionado de librerías durante las clases)
EVALUACIÓN
La evaluación de la asignatura Machine learning con Python será de la siguiente
manera:
- Realizar el caso práctico que se presentará junto al resto de materiales (4
horas de realización)
