Curso de Programador Python + Machine Learning - TOKIO New Technology School

- Otorgar conocimientos acerca de la entrada de datos por teclado, la salida de datos por pantalla, el concepto de las funciones en Python, y la definición de clases, objetos y métodos.
- Impartir un excelente programa académico, en el cual se enseña sobre la programación orientada a objetos, la definición de constructores, los métodos aplicados a los conjuntos y diccionarios, y las librerías especializadas en el manejo de datos.
- Profundizar sobre los ejemplos de bases de datos, los principios de la inteligencia artificial y el Deep learning, la búsqueda en amplitud y profundidad, y el proceso de aprendizaje.

Curso de Programación Python
Diploma del idioma elegido

MÓDULO 1: PYTHON EL NUEVO DESCONOCIDO
PRESENTACIÓN DE PYTHON
- ¿Qué es Python?
- Historia de Python
- Versiones de Python
¿POR QUÉ ESCOGER PYTHON?
- Evolución y objetivos de Python.
Características de Python
- Las 10 características
ENTORNOS DE DESARROLLO CON PYTHON
- Interprete oficial
- Anaconda Jupyter
- PyCharm
- Visual Studio Code
MÓDULO 2: CARACTERÍSTICAS BÁSICAS DEL LENGUAJE
TIPOS DE DATOS BÁSICOS
- Palabras reservadas
- Comentarios
- Tipos de datos básicos de Python
- Variables en Python
- Constantes en Python
OPERADORES EN PYTHON
- Asignación
- Aritméticos
- Lógicos
TIPOS DE DATOS AVANZADOS
- Listas en Python
- Tuplas en Python
- Diccionarios en Python
- Sets en Python
ENTRADA Y SALIDA
- Entrada de datos por teclado
- Salida de datos por pantalla
ESTRUCTURAS DE DECISIÓN Y ESTRUCTURAS DE REPETICIÓN
- Condicionales en Python IF – ELSE
- Bucles en Python WHILE / FOR
FUNCIONES
- Concepto de las Funciones en Python
- Implementación de las funciones
- Argumentos y parámetros
- Funciones integradas de Python
- Buenas practicas con las funciones
MÓDULO 3: PROGRAMACIÓN ORIENTADA A OBJETOS (POO)
METODOLOGÍA BASADA EN OBJETOS
- Programación estructurada VS POO (Programación Orientada a Objetos)
- Los 4 principios de la POO
CLASES, OBJETOS, ATRIBUTOS Y MÉTODOS
- Definición de clases, objetos, métodos y atributos
PRACTICANDO CON CLASES Y OBJETOS
- Definición de constructores
HERENCIA
- Definición de Herencia
- Usos
- Implementación
OTRAS HERRAMIENTAS DE POO
- Herencia múltiple
- Polimorfismo
MÉTODOS APLICADOS
- Métodos aplicados a los strings
- Métodos aplicados a las listas
- Métodos aplicados a los conjuntos
- Métodos aplicados a los diccionarios
ERRORES Y EXCEPCIONES
- Errores
- Excepciones
DATOS TEMPORALES
- Fechas y Horas
- Problemas con las zonas horarias
- Usamos diferentes husos horarios
MÓDULO 4: POO Y MÉTODOS APLICADOS
OTRAS HERRAMIENTAS DE POO
- Herencia múltiple
- Polimorfismo
MÉTODOS APLICADOS
- Métodos aplicados a los strings
- Métodos aplicados a las listas
- Métodos aplicados a los conjuntos
- Métodos aplicados a los diccionarios
ERRORES Y EXCEPCIONES
- Errores
- Excepciones
DATOS TEMPORALES
- Fechas y Horas
- Problemas con las zonas horarias
- Usamos diferentes husos horarios
MÓDULO 5: MANIPULACIÓN DE DATOS
ARCHIVOS
- Manejo de archivos Python
EXCEL – CSV
- EXCEL: XLS
- CSV
JSON
- ¿Qué es JSON?
- JSON vs XML
- Componentes
- Ejemplo práctico
- JSON Minificado y JSON View
- JSON en Python
BASE DE DATOS (BBDD)
- ¿Qué es una base de datos?
- Cómo almacena los datos una base de datos
- Lenguaje SQL
- Ejemplos de bases de datos
- SQLite 3
LIBRERÍAS ESPECIALIZADAS EN EL MANEJO DE DATOS
- NumPy
- Pandas
- Otras librerías
MÓDULO 6: PRACTICANDO SE APRENDE
- Práctica 1 – Creación de una app web con Flask y base de datos SQLite3
- Practica 2 – Creación de una app de escritorio con Tkinter y base de datos SQLite3
INTELIGENCIA ARTIFICIAL
MÓDULO 1: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
- Introducción a la Inteligencia Artificial
- Introducción al Machine Learning
- Introducción al Deep Learning
LA IA Y LA RESOLUCIÓN DE PROBLEMAS
- Resolver problemas
- Algunos tipos de problemas
BÚSQUEDA NO INFORMADA
- Búsqueda
- Representación de estados: árboles y grafos
- Búsqueda en Amplitud
- Búsqueda en Profundidad
- Búsqueda de Coste Uniforme
BÚSQUEDA INFORMADA
- Función Heurística
- Búsqueda con vuelta atrás
- Algoritmo A*
- Búsqueda Local
- Algoritmos constructivos (Dijkstra, Clarke y Wrigt)
LA IA Y LOS JUEGOS
- El algoritmo minimax
- Poda alfa-beta
EL RAZONAMIENTO
- Sistemas Expertos
- Sistemas Difusos
EL APRENDIZAJE
- Clasificación probabilística
- Redes Neuronales artificiales
- Redes neuronales multicapa
- Red de Hopfield
MÓDULO 2: LA CIENCIA DE DATOS
INTRODUCCIÓN A LA CIENCIA DE DATOS
EL PROCESO DE LA CIENCIA DE DATOS
- Definición del objetivo del proyecto
- Obtención de los datos de cualquier fuente posible
- Limpieza y preparación de los datos para que nuestro software lo entienda
- Exploración de los datos en busca de patrones utilizando algoritmos matemáticos y estadísticos
- Definición y construcción de los modelos de predicción
- Representación de resultados útiles
MINERÍA DE DATOS
INTRODUCCIÓN A LAS PRINCIPALES LIBRERÍAS
- Numpy
- Pandas
- ScikitLearn
- Otras
MÓDULO 3: LA PLATAFORMA KAGGLE
¿QUÉ ES?
ALGUNOS DE SUS PORYECTOS
PROYECTO 1
- Definición del objetivo del proyecto
- Obtención de los datos de cualquier fuente posible
- Limpieza y preparación de los datos para que nuestro software lo entienda
- Exploración de los datos en busca de patrones utilizando algoritmos matemáticos y estadísticos
- Definición y construcción de los modelos de predicción
- Representación de resultados útiles
PROYECTO 2
- Definición del objetivo del proyecto
- Obtención de los datos de cualquier fuente posible
- Limpieza y preparación de los datos para que nuestro software lo entienda
- Exploración de los datos en busca de patrones utilizando algoritmos matemáticos y estadísticos
- Definición y construcción de los modelos de predicción
- Representación de resultados útiles
MACHINE LEARNING
MÓDULO 1: INTRODUCCIÓN AL MACHINE LEARNING
INTRODUCCIÓN A LA BIG DATA Y MACHINE LEARNING
- Método científico
- Introducción al Big Data
- Introducción al Machine Learning
- Breve repaso del algebra lineal
ENTORNO DE TRABAJO: VM
- Crear una máquina virtual local
JUPYTER
LIBRERÍAS NUMÉRICAS DE PYTHON
- Numpy
- Pandas
- Matplotlib
- Introducción a Scikit-learn
MÓDULO 2: APRENDIZAJE SUPERVISADO
REGRESIÓN LINEAL
- Simple
- Multivariable
OPTIMIZACIÓN POR DESCENSO DE GRADIENTE
- Convergencia
- Ratio de aprendizaje
NORMALIZACIÓN
- Problema
- Normalización
- Entrenamiento
REGULARIZACIÓN
- Desviación y varianza
- Función de coste regularizada
VALIDACIÓN CRUZADA
- Métodos de resolución
- Subdivisión del set de datos
- K-fold
TEOREMA DE BAYES
- Ejemplo de clasificación
- Sensibilidad y especificidad
CLASIFICACIÓN POR ÁRBOLES DE DECISIÓN
- Variables objetivo categóricas y continuas
- Splitting
- Limitaciones al tamaño del árbol
- Pruning
- Bootstrapping
REGRESIÓN LOGÍSTICA / CLASIFICACIÓN
- Modelado de datos
- Clasificación binaria y multiclase
- Función sigmodea
- Función de coste
CLASIFICACIÓN POR SVM (SUPPORT VECTOR MACHINES)
- Kernels y Landmarks
- Transformación de la hipótesis
- Tipos de kernels
- Parámetro de regularización
INTRODUCCIÓN A LAS REDES NEURONALES
- Neuronas naturales
- Neuronas artificiales
- Redes neuronales profundas
MÓDULO 3: APRENDIZAJE NO SUPERVISADO
OPTIMIZACIÓN POR ALEATORIEDAD
- Entrenamiento múltiple
- Implementación
AGRUPACIÓN
- Diferencias entre agrupación y clasificación
- K-means y otros algoritmos
MÓDULO 4: APRENDIZAJE REFORZADO
DETECCIÓN DE ANOMALÍAS
- Anomalías
- Representación de modelo
- Elección de características
- Distribución normal o gaussiana
SISTEMAS DE RECOMENDACIÓN
- Sistemas de recomendación por regresión lineal
- Función de coste
- Algoritmos de entrenamiento
- Realización de predicciones
ALGORITMOS GENÉTICOS
- Evolución natural
- Evolución del comportamiento
- Algoritmos aplicados a la optimización
MÓDULO 5: DESARROLLO DE SISTEMAS DE APRENDIZAJE AUTOMÁTICO
INGENIERÍA DE CARACTERÍSTICAS (“FEATURE ENGINEERING”)
- Creación de características
- Problemas y soluciones
ANÁLISIS DE COMPONENTES PRINCIPALES (“PCA”)
- Representación de variables
- Modelos de dimensionalidad
- Reducción de dimensionalidad
ENSAMBLAJES
- Composición de modelos
- Técnicas de ensamblaje
- Bagging
PLANTEAMIENTO DE SISTEMAS DE ML
- Planteamiento de un sistema de ML
- Evaluación del modelo
- Implementación a gran escala
- Paralelización
EVALUACIÓN Y MEJORA DE MODELOS
- Sobreajuste vs desviación
- Métricas de evaluación
- Métricas de clasificación
Operaciones en ML
- MLOps
- Plataforma Kaggle
DEEP LEARNING
MÓDULO 1. INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO
FUNDAMENTOS BÁSICOS
- Fundamentos básicos de Machine Learning
- Proceso de aprendizaje
- Tipos de modelo
- Tipos de algoritmo
- Tipos de modos de aprendizaje
- Fundamentos básicos de Deep Learning
- Herramientas básicas para el desarrollo de modelos
- Herramientas de desarrollo
- Herramientas de manipulación
- Herramientas de evaluación
- Herramientas de despliegue y ejecución
- Introducción a Collaborate
- Google Collaboratory
- Creación de un notebook con Colab
- Creación de un fragmento de código
- Modificación del tipo de hardware
- Introducción a Scikit Learn
- Carga de datos
- Creación de un modelo
- Evaluación del modelo
- Visualización del modelo
PREPARACIÓN DE DATOS Y HERRAMIENTAS
- Conjunto de información y operación
- Información de entrada
- Conceptos básicos sobre datos
- Preparación de datos
- Información de salida
- Función de pérdida (Loss)
- Ajuste del modelo
- Información de aprendizaje
- Algoritmos de optimización
- TensorFlow
- Instalación
- Utilización de dispositivos
- Operaciones básicas
- Calculo de gradientes
- Funciones
- Operaciones Matriciales
MÓDULO 2. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO
REDES DE NEURONAS PROFUNDAS
- Conceptos básicos sobre redes de neuronas
- Estructura de la red y funciones de activación
CLASIFICACIÓN
- Conceptos básicos de clasificación
- Construyendo sistemas de clasificación
- Clasificación Binaria
- Clasificación multi-clase
- Clasificación multi-etiqueta
- Optimización de hiper-parámetros
- Transferencia de aprendizaje (Transfer learning)
REGRESIÓN
- Conceptos básicos sobre regresión
- Construcción de redes de neuronas (Funciones de activación y Funciones de loss)
- Regresión lineal simple
- Regresión lineal múltiple
MÓDULO 3. APRENDIZAJE PROFUNDO MEDIANTE IMÁGENES Y SONIDOS
REDES DE NEURONAS CONVOLUCIONALES (CNN)
- Conceptos básicos sobre visión artificial (Imágenes, filtros, etc)
- Redes de neuronas convolucionales (CNN)
- Preparación de datos
- Creación y compilación de la red
REDES DE NEURONAS RESIDUALES (RESNET)
- Importación de las librerías
- Definiciones de bloques residuales
- Transferencia de aprendizaje sobre ResNet
REDES DE NEURONAS RECURRENTES (RNN)
- Conceptos básicos sobre NLP
- Redes de neuronas recurrentes (RNN)
- Long-Short Term Memory (LSTM)
- Otros tipos de redes de neuronas
MÓDULO 4. APLICACIONES DE APRENDIZAJE PROFUNDO
Redes generativas antagónicas (GANs)
- Conceptos básicos sobre Redes generativas antagónicos
- Generador y discriminador
- Funciones de loss en redes GAN
- Redes GAN
REDES DE NEURONAS BASADAS EN REFUERZO
- Conceptos básicos sobre Aprendizaje por Refuerzo
- Deep Reinforcement Learning
- Redes de refuerzo profundo
OTRAS APLICACIONES
- Despliegue de modelos
- Despliegue de modelos en dispositivos (TFLite and TensorFlow.js)
- TensorFlow Extended
- Aplicaciones de Deep Learning
- Deep Learning en videojuegos (AlphaGo y AlphaStar)