Scribd
Cargar
3 vistas

Machine_learning_Python

El documento detalla el contenido del curso 'Machine Learning con Python', que abarca desde conceptos básicos y herramientas como Jupyter Notebook, hasta técnicas avanzadas de mejora y automatización de modelos. Se incluyen módulos sobre ingesta y preprocesado de datos, así como aplicaciones prácticas y ejercicios finales. La evaluación se basará en un caso práctico de 4 horas de duración.

Cargado por

jmgarcia228
Derechos de autor
© © All Rights Reserved
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
3 vistas

Machine_learning_Python

El documento detalla el contenido del curso 'Machine Learning con Python', que abarca desde conceptos básicos y herramientas como Jupyter Notebook, hasta técnicas avanzadas de mejora y automatización de modelos. Se incluyen módulos sobre ingesta y preprocesado de datos, así como aplicaciones prácticas y ejercicios finales. La evaluación se basará en un caso práctico de 4 horas de duración.

Cargado por

jmgarcia228
Derechos de autor
© © All Rights Reserved
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 3

Machine learning con Python

Autor: José Ángel Carballo Sánchez


Machine learning con python

ÍNDICE
Los contenidos de la asignatura serán los siguientes:

1. Introducción: durante este modulo 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.

2. Ingesta de datos: en este apartado, veremos casos reales de obtención de


datos y como convertirlos a dataframes.

3. Pre procesado: veremos diferentes técnicas de procesado y limpieza de


datos.

4. Modelos: aprenderemos a utilizar algoritmos a través de casos prácticos.

- Regresión

- Clasificación

- Clustering

- Ensemble de modelos

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 mejora de
modelos. Entre las diferentes técnicas, utilizaremos: feature engineering,
selección de variables, PCA, LDA…

6. Automatización de modelos: muchas veces, necesitaremos probar entre los


diferentes algoritmos cual es la combinación óptima que mejor funciona.
Aprenderemos a utilizar técnicas de gridsearch, random search, selección
automática de variables, tuneado de hiper parámetros…

7. Aplicaciones: tras haber aprendido a utilizar todas las tecnologías durante las
clases, veremos diferentes aplicaciones al machine learning a través de casos
de uso reales.

8. Ejercicios: por último, terminaremos la asignatura con la realización de


diferentes ejercicios y la práctica de evaluación.

2
Machine learning con python

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 modelos
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

Al finalizar la instalación, podemos instalar el resto de librerías que


utilizaremos durante las clases y que están recogidas en el fichero
requirements.txt

Podemos instalarlo a través de la consola (terminal, símbolo del sistema,


powershell...) a través del comando:

pip install -r requirements.txt

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)

También podría gustarte