Machine learning aplicado usando Python
IFCD093PO
Datos del curso
Tipo de acción formativa: Especialidades formativas del SEPE
Formato: Curso SCORM en formato licencia
Título: Machine learning aplicado usando Python
Código: IFCD093PO
Duración: 150 horas
Familia profesional: Informática y comunicaciones
Disponibilidad: Curso en desarrollo para las convocatorias de 2021
Convocatoria: Convocatoria de formación ocupados TIC y Competencias Digitales, Convocatoria de formación ocupados estatal 2022
Formato: Curso SCORM en formato licencia
Título: Machine learning aplicado usando Python
Código: IFCD093PO
Duración: 150 horas
Familia profesional: Informática y comunicaciones
Disponibilidad: Curso en desarrollo para las convocatorias de 2021
Convocatoria: Convocatoria de formación ocupados TIC y Competencias Digitales, Convocatoria de formación ocupados estatal 2022
Objetivos
Desarrollar, implementar y validar modelos de aprendizaje máquina (Machine Learning): diseñar modelos predictivos de clasificación en problemas reales de salud,
economía y empresa, implementar algoritmos de segmentación para análisis de poblaciones en diferentes aplicaciones y desarrollar modelos de predicción avanzados
de series temporales.
economía y empresa, implementar algoritmos de segmentación para análisis de poblaciones en diferentes aplicaciones y desarrollar modelos de predicción avanzados
de series temporales.
Índice
1. Introducción al curso
1.1. Introducción al Python
1.2. Librería de Python para Machine Learning.
1.3 Machine Learning. Introducción.
2. Aprendizaje supervisado.
2.1. Definición y aplicaciones.
2.2 Medidas de rendimiento.
2.3 Modelos lineales.
2.4 Modelos supervisados de ML: árboles, SVM, redes neuronales.
2.5 Combinación de modelos. Random Forest.
3. Aprendizaje no supervisado.
3.1. Definición y aplicaciones.
3.2 Medidas de rendimiento.
3.3 Clustering. Tipos
3.4 Biclustering.
3.5 Manifolds. Reducción de la dimensionalidad.
3.6 Análisis de la cesta.
1.1. Introducción al Python
1.2. Librería de Python para Machine Learning.
1.3 Machine Learning. Introducción.
2. Aprendizaje supervisado.
2.1. Definición y aplicaciones.
2.2 Medidas de rendimiento.
2.3 Modelos lineales.
2.4 Modelos supervisados de ML: árboles, SVM, redes neuronales.
2.5 Combinación de modelos. Random Forest.
3. Aprendizaje no supervisado.
3.1. Definición y aplicaciones.
3.2 Medidas de rendimiento.
3.3 Clustering. Tipos
3.4 Biclustering.
3.5 Manifolds. Reducción de la dimensionalidad.
3.6 Análisis de la cesta.
Te animas a echarle un vistazo