Ciencia de datos y aprendizaje automático en Python

Ciencia de datos y aprendizaje automático en Python

La demanda de profesionales cualificados en análisis avanzado de datos y aprendizaje automático (o machine learning) no cesa de crecer. Los científicos de datos aportan valor añadido a organizaciones de todos los sectores porque son capaces de impulsar importantes procesos en la toma de decisiones y resolver retos complejos con datos. 

Este curso proporciona una amplia introducción aplicada al aprendizaje automático y la ciencia de datos. El curso está preparado para que el viaje del alumnado parta de conocimientos básicos de estadística para llegar a aplicar métodos actuales de análisis y predicción sobre bases de datos grandes. Todos los temas incluyen una introducción teórica completa a los métodos. El curso también se basará en numerosos casos de estudio y aplicaciones, de modo que también aprenderá a aplicar algoritmos de aprendizaje a informática médica, visión por ordenador, minería de datos y otras áreas. Todo esto permitirá que el alumnado se familiarice con las técnicas más efectivas de aprendizaje automático. 

Se estudiarán métodos de aprendizaje supervisado, aprendizaje no supervisado y buenas prácticas en el aprendizaje automático. Asimismo, se tratarán distintas técnicas de pre y posprocesamiento de datos.

Dirigido a alumnado graduado o de cursos superiores relacionados con ciencias (matemáticas, física, química, biología, estudios medioambientales), ingeniería (informática, industrial, telecomunicaciones, aeroespacial, civil, etc.) y economía (administración y dirección de empresas, economía).

Nivel básico

DESCARGAR CARTEL

• PROGRAMA
• 1. Introducción al aprendizaje automático y la ciencia de datos
• 2. Python para el aprendizaje automático
• 3. Procesamiento y preparación de datos para el entrenamiento de modelos inteligentes
• 4. Evaluación de modelos de aprendizaje automático
• 5. Regresión lineal y logística y su aplicación  
• 6. Árboles de decisión y su aplicación
• 7. Máquinas de soporte vectorial y su aplicación
• 8. K Vecinos Cercanos y su aplicación
• 9. Parametrización inteligente de modelos de aprendizaje automático
• 10. Redes neuronales artificiales y su aplicación

• DOCENTES
• Jamal Toutouh El Alamin. Departamento de Lenguajes y Ciencias de la Computación. UMA
• Francisco Chicano García. Departamento de Lenguajes y Ciencias de la Computación. UMA