En este curso programarás en Python, utilizando las herramientas y bibliotecas más populares de Data Science y aprenderá a usarlo para análisis estadístico avanzado, preprocesamiento y transformación de datos, desarrollo de visualizaciones de datos y desarrollo de modelos predictivos para resolver una variedad de problemas.
El curso cuenta con ejercicios prácticos para cada módulo (con aplicabilidad directa en banca), por lo que no solo aprenderás la teoría, sino que también abordarás el lado práctico de la construcción de tus propios modelos, que luego podrás utilizar como punto de partida para construir tus propios proyectos.
También aprenderá cómo mejorar los modelos desarrollados mediante algoritmos de aprendizaje automático, profundizando en los conceptos de alto sesgo (underfitting), alta dispersión (overfitting), validación cruzada y cómo los hiperparámetros podrían mejorar el rendimiento de los modelos (hyper-parameter tuning). ).
- Definir inteligencia artificial y aprendizaje automático, entendiendo su significado y aplicaciones en diversos campos.
- Identifique diferentes tipos de aprendizaje automático, como el aprendizaje supervisado, no supervisado y por refuerzo, y comprenda sus casos de uso específicos.
- Comprender el ciclo de vida del modelo y los pasos esenciales involucrados en la construcción de un modelo de aprendizaje automático desde la recopilación de datos hasta la implementación.
- Realizar análisis de datos exploratorios (EDA) para obtener información sobre el conjunto de datos, identificar patrones y comprender las relaciones entre variables.
- Conocimiento de técnicas de preprocesamiento de datos para limpiar y preparar datos para algoritmos de aprendizaje automático, incluido el manejo de valores faltantes y el manejo de valores atípicos.
- Explorar varios algoritmos de aprendizaje automático utilizados para clasificación, regresión, agrupamiento y otros, comprendiendo sus fortalezas y debilidades.
- Implementar un ejemplo práctico de aprendizaje supervisado para la clasificación de préstamos para predecir incumplimientos y adquirir experiencia práctica en la construcción de un modelo predictivo.
- Dominio de las técnicas de ingeniería de características, incluido el manejo de valores faltantes, el manejo de valores atípicos, el tratamiento de categorías dispersas y el procesamiento de variables categóricas para el aprendizaje automático.
- Comprender la importancia de la selección de características para mejorar el rendimiento del modelo y reducir la complejidad, explorando métodos de filtrado, métodos de incrustación y métodos de ajuste.
- Obtenga información sobre la importancia de la reducción de dimensionalidad para el modelado e identifique técnicas apropiadas para lograr la reducción de dimensionalidad.
- Aplicar métodos de filtrado (p. ej., conjuntos de bases, correlación, medidas estadísticas) para seleccionar características y comprender cómo influyen en el rendimiento del modelo.
- Implementación de métodos integrados (por ejemplo, Lasso, Random Forest) para realizar automáticamente la selección de características durante el proceso de entrenamiento del modelo.
- Explorar métodos agnósticos, como la eliminación recursiva de características (RFE), para seleccionar de forma iterativa las características más importantes para el modelado.
- Desarrolle habilidades prácticas de programación en Python para el aprendizaje automático utilizando bibliotecas populares como NumPy, Pandas, Scikit-learn y otras.
- Conocimientos básicos de programación en Python.
- Fundamentos de álgebra lineal y cálculo diferencial.
- Comprensión de los conceptos fundamentales de estadística y probabilidad.
- ¿Qué es la inteligencia artificial y el aprendizaje automático?
- Tipos de aprendizaje automático
- Ciclo de vida del modelo: pasos para construir un modelo
- Análisis exploratorio de datos
- Preprocesamiento de datos
- Algoritmos de aprendizaje automático
- Ejemplo práctico de Aprendizaje Supervisado: Clasificación de préstamos para predecir el impago
- Ingeniería de funciones:
- Técnicas para manejar valores perdidos.
- Tratamiento de valores extremos.
- Tratamiento de categorías raras.
- Múltiples técnicas para manejar variables categóricas.
- Técnicas de procesamiento y transformación de datos necesarias para los principales grupos de algoritmos de aprendizaje automático.
- Selección de funciones (métodos de filtrado, métodos integrados, métodos envolventes)
- La importancia de la reducción del espacio dimensional para el modelado.
- Aplicar métodos de filtrado (núcleos, correlación, medidas estadísticas)
- Aplicación de métodos integrados (lazo, bosque aleatorio, etc.)
- Aplicar métodos agnósticos (RFE)
No hay recomendaciones en este momento.
Después de este curso, recibirá un certificado de finalización.
