IBM te ofrece un curso gratis de machine learning con Python

En este curso gratuito de aprendizaje automático de Python de IBM, aprenderá los fundamentos del aprendizaje automático.

¿Estás interesado? El aprendizaje automático se ha vuelto popular en los últimos años.

Es una herramienta muy interesante y útil capaz de predecir tendencias en algunos datos, extraer información y realizar tareas de autoaprendizaje.

Podrá explorar cómo los modelos estadísticos se relacionan con el aprendizaje automático.

Lo mejor de este curso es que tiene un enfoque práctico, por lo que verá ejemplos de la vida real de cómo se usa el aprendizaje automático en la actualidad. Además, examinará los algoritmos y las técnicas utilizadas en el campo.

Este es un curso de nivel de entrada gratuito, por lo que no se requieren conocimientos previos de aprendizaje automático o las técnicas utilizadas en el campo.

Debe tener un fuerte deseo de aprender y tener una cuenta en el sitio web del curso edX, que es una plataforma de cursos. Si aún no tiene una cuenta, puede registrarse fácilmente de forma gratuita.

Este es un curso muy interesante para cualquier persona interesada en el aprendizaje automático.

Este puede ser un curso particularmente interesante para aquellos que comienzan una carrera en informática y para aquellos que quieren reinventarse y adentrarse en un mundo que, sin duda, tiene un futuro brillante.

También puede ser de interés para cualquier persona que haya estudiado o esté estudiando para obtener un título en ciencias o ingeniería y tenga un interés particular en la programación o la predicción de tendencias de datos.

Este curso está pensado para completarlo en 5 semanas con una dedicación de entre 4 y 6 horas semanales, pero si lo deseas podrás hacerlo a tu ritmo sin tener que cumplir con unas fechas límite en concreto.

El curso está dividido en varias secciones de la siguiente manera:

• Módulo 1. Introducción al aprendizaje automático.
  • Introducción al Módulo y Objetivos del Aprendizaje
  • ¡Bienvenida!
  • Introducción a Machine Learning
  • Python para Machine Learning
  • Aprendizaje Supervisado y No Supervisado
• Módulo 2. Regresión.
  • Introducción al Módulo y Objetivos del Aprendizaje
  • Introducción a la Regresión
  • Regresión Lineal Simple
  • Evaluación del Modelo en Modelos de Regresión
  • Laboratorio: Regresión Lineal Simple
  • Regresión Lineal Multiple
  • Laboratorio: Regresión Lineal Múltiple
  • Regresión No-Lineal
  • Laboratorio: Regresión Polinómica
  • Laboratorio: Regresión No Lineal
• Módulo 3. Clasificación.
  • Introducción al Módulo y Objetivos del Aprendizaje
  • Introducción a la Clasificación
  • K-Vecinos más Próximos (KNN)
  • Métricas de Evaluación
  • Laboratorio: KNN
  • Introducción a los Arboles de Decisión
  • Construyendo Arboles de Decisión
  • Laboratorio: Árboles de Decisiones
  • Introducción a la Regresión Logística
  • Regresión Logística y Regresión Lineal
  • Entrenamiento de regresión logística
  • Laboratorio: Regresión Logística
  • Máquinas de Soporte Vectorial (SVM)
  • Laboratorio: SVM (Máquina de Vector de Soporte)
• Módulo 4. Agrupación.
  • Introducción al Módulo y Objetivos del Aprendizaje
  • Introducción al Clustering
  • Clustering de K-Medias
  • Más sobre K-Medias
  • Laboratorio: k-Medias
  • Clustering Jerárquico
  • Más sobre Clustering Jerárquico
  • Laboratorio: Agrupación Aglomerativa
  • Clustering DBSCAN
  • Laboratorio: Agrupación DBSCAN
• Módulo 5. Sistemas de recomendación.
  • Introducción al Módulo y Objetivos del Aprendizaje
  • Introducción a los Sistemas Recomendadores
  • Sistemas Recomendadores Basados en el Contenido
  • Laboratorio: Sistemas de Recomendación Basados en el Contenido
  • Filtrado Colaborativo
  • Laboratorio: Filtrado Colaborativo en las Películas
• Módulo 6. Proyecto final.

Puedes acceder al curso usando este enlace.