Dictado por: Juan Gabriel Gomila
Archivos creados por mí, siguiendo los videos tutoriales del curso.
- Parte 1 - Instalación de Python y paquetes necesarios para data science, machine learning y visualización de los datos
- Parte 2 - Evolución histórica del análisis predictivo y el machine learning
- Parte 3 - Pre procesado y limpieza de los datos
- Parte 4 - Manejo de datos y data wrangling, operaciones con datasets y distribuciones de probabilidad más famosas
- Parte 5 - Repaso de estadística básica, intervalos de confianza, contrastes de hipótesis, correlación,...
- Parte 6 - Regression lineal simple, regresión lineal múltiple y regresión polinomial, variables categóricas y tratamiento de outliers.
- Parte 7 - Clasificación con regresión logística, estimación con máxima verosimititud, validación cruzada, K-fold cross validation, curvas ROC
- Parte 8 - Clustering, K-means, K-medoides, dendrogramas y clustering jerárquico, técnica del codo y análisis de la silueta
- Parte 9 - Clasificación con árboles, bosques aleatorios, técnicas de poda, entropía, maximización de la información
- Parte 10 - Support Vector Machines para problemas de clasificación y regresión, kernels no lineales, reconocimiento facial (cómo funciona CSI)
- Parte 11 - Los K vecinos más cercanos, decisión por mayoría, programación de algoritmos de Machine Learning vs librerías de Python
- Parte 12 - Análisis de componentes principales, reducción de la dimensión, LDA
- Parte 13 - Deep learning, Reinforcement Learning, Redes neuronales artificiales y convolucionales y Tensor Flow