¡ME INTERESA!

Curso de Programador Python + Machine Learning

Centro de formación

TOKIO New Technology School

0,0

0 opiniones /
Ofrecido por:
Precio
A CONSULTAR
Tipo Cursos
Modalidad Online / A distancia
¿Tienes dudas? Te las resolvemos sin compromiso:

Solicita más información sin compromiso

Puedes rellenar este formulario y nos pondremos en contacto contigo

¿Cuándo contactamos contigo?


Enviando...

Información general

DESCRIPCIÓN:

El Curso de Programador Python es una interesante formación profesional, que se enfoca en brindar contenidos actualizados acerca de la historia de Python, las versiones de Python, los entornos de desarrollo con Python, los tipos de datos básicos y avanzados, las palabras reservadas, y la gestión de variables y constantes en Python.

Se refiere a un destacado método de enseñanza, ofrecido por el prestigioso e internacionalmente reconocido Centro Educativo Tokio School, el cual ofrece amplias salidas laborales, brinda tutorías personalizadas, y sólo se encuentra disponible en modalidad online.
Titulación universitaria Prácticas Certificado de profesionalidad

ASPECTOS A TENER EN CUENTA

OBJETIVOS DEL CURSO:

- 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.

TITULACIÓN

Curso de Programación Python
Diploma del idioma elegido

TE RECOMENDAMOS VER TAMBIÉN

En los siguientes enlaces podrás ver Cursos similares:

TEMARIO

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)

SALIDAS PROFESIONALES

  • Desarrollador web con Python
  • Creador de interfaces gráficas de usuario y escritorio
  • Programador general: bases de datos, archivos, de red
  • Programador Python

Opiniones

No hay opiniones registradas para este curso