Machine Learning y Data Science con Python

Name: Machine Learning y Data Science con Python
Rating: 4.7 (1137 reviews)

Todo lo necesario para convertirse en un Data Scientist, usando Python

Created byManuel Garrido

Last updated 6/2019

Spanish

What you'll learn

Definir un problema desde la perspectiva de machine learning (regresión, clasificación, etc),
Decidir qué algoritmos se pueden aplicar a dicho problema en particular
Realizar Análisis de Datos de forma profesional
Procesar los datos para permitir su uso en Machine Learning
Aplicar distintos métodos de Visualización de datos
Aplicar los distintos algoritmos y evaluarlos.
Desplegar los modelos en un sistema en producción
Hacer Web Scraping (escrapeo de datos)
Trabajar con datasets de Big Data
Implementar modelos de Deep Learning

Course content

8 sections • 183 lectures • 30h 13m total length

Introducción0:13
Nota Importante0:27
Acerca de mi2:36
Nota: Instalación de Anaconda desde Windows0:08
Instalación de Anaconda (Windows)3:48
Entornos, Paquetes y Canales (Anaconda Navigator)3:59
NOTA: Entornos, Paquetes y Canales (Anaconda Navigator)1:08
Cambiar el directorio de trabajo en Anaconda (WINDOWS)3:13
NOTA: Cambiar el directorio de trabajo en Anaconda (WINDOWS)0:06
Cómo abrir la terminal de Anaconda (Windows)1:00
NOTA: Instalación de Anaconda desde la terminal0:22
Instalación de Anaconda (Terminal)10:15
Guía de instalación de Linux en Windows7:58
Nota - Cómo descargarse el código del curso1:15
El link al repositorio donde está el código es https://github.com/manugarri/curso_data_science

Presentación - Introducción a Python0:18
Nota: Introducción a Python0:19
Introducción a Python11:03
Introducción a Spyder8:21
Celdas en Spyder2:46
Tipos de Variables30:36
Estructuras de datos básicas22:22
Nota Aclaratoria. Estructuras de Datos básicas0:22
Estructuras de Datos Básicas - ejercicios0:25
Estructuras de Datos Básicas - Soluciones0:53
Flujos de Control24:04
Flujos de Control - Ejercicios0:32
Flujos de Control - Solución2:13
Funciones9:22
Funciones - Ejercicios1:28
Funciones - Soluciones7:26
Clases16:49
Clases - Ejercicios0:58
Clases - Soluciones8:36
Estructuras de Datos Avanzadas16:04
Estructuras de Datos Avanzadas - Ejercicios1:38
Estructuras de Datos Avanzadas - Soluciones4:11
Argumentos básicos en scripts12:26
Argumentos Avanzados en Scripts5:50
Input-Output11:42
Input-Output - Ejercicios1:52
Input-Output - Soluciones6:05
Ejercicio - 3 en raya5:58
Ejercicio - 3 en raya - Solución13:20
Ejercicio - Nombres de bebés4:24
Ejercicio - Nombres de bebés - Solución6:27

¿Qué es Data Science?9:02
El Proceso de Data Science2:57
Definición de Objetivos4:25
Obtención de Datos5:04
¿Quién ha prestado atención?
Tipos de datos: Variables2:08
Tipos de datos: Estructura2:22
Nota: Activar entorno desde terminal0:12
Introducción al entorno de trabajo: Intro a Jupyter notebooks9:52
Como instalar paquetes desde jupyter (Terminal)2:09
Intro a Numpy20:45
En esta clase hacemos una introducción a Numpy, la piedra angular de la computación científica en Python.
Intro a Numpy - Ejercicio1:30
Intro a Numpy - Ejercicio - Solucion5:07
Intro a Pandas20:17
En esta clase aprenderemos a usar pandas, la librería por excelencia para hacer análisis de datos con Python.

NOTA: el archivo primary_results.csv se encuentra en Secciones/Seccion3.Intro_a_Data_Science/Intro_a_Pandas/primary_results.csv
Intro a Pandas - Ejercicio11:22
Intro a Pandas - Ejercicio1 - Solucion6:31
Intro a Pandas - Ejercicio26:47
Intro a Pandas - Ejercicio2 - Solución7:50

Presentación Análisis de Datos0:24
Introducción al Análisis de datos1:25
Estadísticos Descriptivos13:14
Introducción a la Visualización de Datos4:47
Visualización de datos con Python23:55
Visualización Avanzada - Parte 121:57
Visualización Avanzada - Parte 217:33
Ejercicio de Visualización0:46
Ejercicio de visualización
Ejercicio de Visualización - Respuesta1:17
Ejemplo de Analísis de datos 1 - Ingesta de datos7:51
En esta seccion empezamos un ejemplo práctico sobre como realizar un Análisis Exploratiorio de Datos. Se necesita el archivo vehiculos_original.csv
Ejemplo de Analísis de datos 2 -Diagnóstico de Calidad de los datos (QA)14:48
Ejemplo de Analísis de datos 3 - Agrupación de Variables16:05
Ejemplo de Analísis de datos 4 - Distribución de Variables12:09
Ejemplo de Analísis de datos 5 - Comparaciones14:17
Ejemplo de Analísis de datos 6 - Herramientas Adicionales4:11
Procesado de datos15:20
Preguntas - Análisis de datos

Presentación Machine Learning0:25
¿Que es Machine Learning?4:05
Intro a aprendizaje supervisado6:15
Regresión lineal -teoria7:11
Regresion lineal - practica9:15
Intro a Scikit-Learn2:26
Regresion lineal en Scikit-learn11:21
Regresión Lineal - Ejercicio2:23
Regresión Lineal - Ejercicio - Solucion4:51
Evaluación de Modelos en Regresión11:04
Separación datos de entrenamiento y test y validación cruzada16:28
Regularizacion - Teoría6:24
Regularizacion - Práctica8:42
Regularización - Ejercicio1:40
Regularización - Ejercicio - Solución4:31
Intro a Clasificación1:45
Regresión logística - teoría4:29
Regresión Logística - práctica14:43
Evaluación de modelos de clasificación Parte 123:21
Evaluación de modelos de clasificación Parte 24:10
Evaluación de modelos de clasificación Parte 34:55
Procesado de Variables en scikit-learn Parte 110:02
Procesado de Variables en scikit-learn Parte 214:39
Pipelines en Scikit-learn18:51
Pipelines en scikit-learn - Ejercicio1:47
Pipelines en scikit-learn - Ejercicio - Solución7:16
Clasificación Multiclase y multicategoría (Multiclass & Multilabel)6:05
Test - Machine Learning I
Estadística Bayesiana - teoría14:51
Clasificador Bayesiano Naive (Naive Bayes Classifier)6:19
Naive Bayes Classifier - práctica14:54
K vecinos más próximos (KNN) - Teoría3:25
K vecinos más próximos (KNN) - Práctica9:50
KNN - Ejercicio0:41
KNN - Ejercicio - Solución2:05
Arboles de decisión - teoría20:02
Árboles de decisión - práctica19:55
Árboles de Decisión - Ejercicio2:34
Árboles de Decisión - Ejercicio - Solución5:51
Ensamblado de modelos - teoría8:22
Ensamblado de modelos - Práctica23:21
Curvas de aprendizaje y validación14:24
Máquinas de Vector Soporte (SVM) - teoría14:24
Máquinas de Vector Soporte (SVM) - Práctica14:47
Selección de Variables33:42
Selección de Variables - Ejercicio1:23
Selección de Variables - Ejercicio - Solución2:37
Optimización de Hiperparámetros38:52
Test Machine Learning II
Intro a aprendizaje no supervisado1:05
Intro a Clustering5:35
Kmedias- Teoría6:06
Kmedias- Práctica22:55
KMedias - Ejercicio2:32
KMedias - Ejercicio _ Solución2:20
Medidas de Similaridad4:39
Medidas de evaluación de clustering - Teoría9:15
Medidas de evaluación de clustering - Práctica9:37
DBScan - Teoría5:35
DBScan - Práctica17:55
Ejercicio - Detección de Anomalías con clustering4:53
Ejercicio - Detección de Anomalías con clustering - Solución15:14
Intro a Reducción de Dimensionalidad4:57
Análisis de Componentes Principales (PCA) - Teoría8:03
Análisis de Componentes Principales (PCA) - Práctica21:57
Ejercicio - Clasificación de imágenes con PCA9:08
Ejercicio - Clasificación de imágenes con PCA - Selección6:27
Descomposición en Valores Singulares (SVD) - Teoría7:55
Descomposición en Valores Singulares (SVD) - Práctica18:23
Ejercicio - Sistema de Recomendación con SVD6:25
Ejercicio - Sistema de Recomendación con SVD - Solución16:54
Cómo exportar modelos predictivos28:10
Test Machine Learning III

Presentacion Deep Learning0:15
Nota: Deep Learning. Paquetes a instalar.0:04
Intro a Deep Learning7:06
Perceptrón Multi Capa9:06
Descenso de Gradiente - Teoría15:37
Descenso de Gradiente - Práctica20:25
Propagación hacia Adelante - Teoría11:31
Propagación hacia Adelante - Práctica6:56
Propagación hacia atrás - Teoría7:47
Propagación hacia Atrás - Práctica19:40
Intro a Keras35:11
Regularizacion en Deep Learning - teoría8:44
Regularización en Deep Learning - Práctica16:12
CNNs - Teoría16:37
CNNs - Práctica16:44
RNNs - Teoría11:58
RNN - Práctica22:33
Test - Deep Learning

Requirements

Conocimiento básico de Matemáticas
Saber utilizar un PC a nivel básico

Description

En este curso se enseñan todos los conocimientos necesarios para convertirse en un Data Scientist (Científico de Datos). Para ello usaremos el lenguaje de Programación Python como herramienta, ya que es uno de los lenguajes con más demanda hoy en dia.

En concreto, se tratarán en profundidad los siguientes apartados:

- Programación en Python, donde aprendemos a programar en uno de los lenguajes más populares hoy en día como es Python.

- Análisis de Datos, donde aprenderemos como realizar un Análisis Exploratorio de Datos, usando técnicas estadísticas y de Visualización de Datos.

- Machine Learning, donde aprenderemos como crear modelos predictivos, evaluarlos y usarlos en un entorno de desarrollo.

- Deep Learning, donde nos enfocamos en la creación de Redes Neuronales.

- Web Scraping, donde aprenderemos técnicas para extraer información de páginas web.

- Big Data, donde aprenderemos a como procesar datasets de gran tamaño asi como entrenar modelos predictivos con ellos.

Who this course is for:

Estudiante de Ingeniería o Informática que quiere trabajar como Data Scientist
Persona con experiencia profesional en un perfil técnico que siente curiosidad intelectual sobre el Machine Learning
Persona de perfil técnico interesado en enfocar su carrera en Data Science
Persona de perfil técnico que quiere implementar una estrategia centrada en datos en su empresa

Machine Learning y Data Science con Python

What you'll learn

Explore related topics

Course content

Introducción14 lectures • 36min

Introducción a Python31 lectures • 3hr 59min

Introducción a Data Science17 lectures • 1hr 48min

Análisis y procesado de datos16 lectures • 2hr 50min

Machine Learning70 lectures • 11hr 37min

Deep Learning17 lectures • 3hr 46min

Web Scraping9 lectures • 3hr 2min

Big Data9 lectures • 2hr 34min

Requirements

Description

Who this course is for: