All Projects → joanby → Machinelearning Az

joanby / Machinelearning Az

Licence: mit
Repositorio del Curso de Machine Learning de la A a la Z con R y Python

Projects that are alternatives of or similar to Machinelearning Az

Unet
U-Net Biomedical Image Segmentation
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Nbashots
NBA shot charts using matplotlib, seaborn, and bokeh.
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Course Python Data Science
Stars: ✭ 145 (+0.69%)
Mutual labels:  jupyter-notebook
Pymc3 models
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Python spectrograms and inversion
Spectrograms, MFCCs, and Inversion Demo in a jupyter notebook
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Ipython Notebooks
Informal IPython experiments and tutorials. TensorFlow, machine learning/deep learning/RL, NLP applications.
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Face Recognition
Face recognition and its application as attendance system
Stars: ✭ 143 (-0.69%)
Mutual labels:  jupyter-notebook
Jupyter
Stars: ✭ 145 (+0.69%)
Mutual labels:  jupyter-notebook
Pycroscopy
Scientific analysis of nanoscale materials imaging data
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Google2csv
Google2Csv a simple google scraper that saves the results on a csv/xlsx/jsonl file
Stars: ✭ 145 (+0.69%)
Mutual labels:  jupyter-notebook
Python camp
python code for pratice
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Cs231n
homework for CS231n 2017
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Pyeng
Python for engineers
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Multihead Siamese Nets
Implementation of Siamese Neural Networks built upon multihead attention mechanism for text semantic similarity task.
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Cheat Sheets
Developer Cheatsheets
Stars: ✭ 145 (+0.69%)
Mutual labels:  jupyter-notebook
Alphatrading
An workflow in factor-based equity trading, including factor analysis and factor modeling. For well-established factor models, I implement APT model, BARRA's risk model and dynamic multi-factor model in this project.
Stars: ✭ 144 (+0%)
Mutual labels:  jupyter-notebook
Tf2 course
Notebooks for my "Deep Learning with TensorFlow 2 and Keras" course
Stars: ✭ 1,826 (+1168.06%)
Mutual labels:  jupyter-notebook
Scipy con 2019
Tutorial Sessions for SciPy Con 2019
Stars: ✭ 142 (-1.39%)
Mutual labels:  jupyter-notebook
Mlmodels
mlmodels : Machine Learning and Deep Learning Model ZOO for Pytorch, Tensorflow, Keras, Gluon models...
Stars: ✭ 145 (+0.69%)
Mutual labels:  jupyter-notebook
Introduccion a python Curso online
Repositorio en el que se encontrarán diversos materiales, códigos, videos y ejercicios para el aprendizaje del lenguaje Python.
Stars: ✭ 145 (+0.69%)
Mutual labels:  jupyter-notebook

Repositorio del Curso Machine Learning de A a la Z: R y Python para Data Science

Creado por Kirill Eremenko y Hadelin de Ponteves

Traducido al español por Juan Gabriel Gomila Salas

¿Estás interesado en conocer a fondo el mundo del Machine Learning? Entonces este curso está diseñado especialmente para ti!!

Este curso ha sido diseñado por Data Scientists profesionales para compartir nuestro conocimiento y ayudarte a aprender la teoría compleja, los algoritmos y librerías de programación de un modo fácil y sencillo.

En él te guiaremos paso a paso en el mundo del Machine Learning. Con cada clase desarrollarás nuevas habilidades y mejorarás tus conocimientos de este complicado y lucrativa sub rama del Data Science.

Temario del curso

Este curso es divertido y ameno pero al mismo tiempo todo un reto pues tenemos mucho de Machine Learning por aprender. Lo hemos estructurado del siguiente modo:

  • Parte 1 - Preprocesamiento de datos
  • Parte 2 - Regresión: Regresión Lineal Simple, Regresión Lineal Múltiple, Regresión Polinomial, SVR, Regresión en Árboles de Decisión y Regresión con Bosques Aleatorios
  • Parte 3 - Clasificación: Regresión Logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación con Árboles de Decisión y Clasificación con Bosques Aleatorios
  • Parte 4 - Clustering: K-Means, Clustering Jerárquico
  • Parte 5 - Aprendizaje por Reglas de Asociación: Apriori, Eclat
  • Parte 6 - Reinforcement Learning: Límite de Confianza Superior, Muestreo Thompson
  • Parte 7 - Procesamiento Natural del Lenguaje: Modelo de Bag-of-words y algoritmos de NLP
  • Parte 8 - Deep Learning: Redes Neuronales Artificiales y Redes Neuronales Convolucionales
  • Parte 9 - Reducción de la dimensión: ACP, LDA, Kernel ACP
  • Parte 10 - Selección de Modelos & Boosting: k-fold Cross Validation, Ajuste de Parámetros, Grid Search, XGBoost

Además, el curso está repleto de ejercicios prácticos basados en ejemplos de la vida real, de modo que no solo aprenderás teoría, si no también pondrás en práctica tus propios modelos con ejemplos guiados.

Y como bonus, este curso incluye todo el código en Python y R para que lo descargues y uses en tus propios proyectos.

Puedes apuntarte al curso de Machine Learning con un descuento del 90% de su precio original desde aquí

Lo que aprenderás

  • Dominar el Machine Learning con R y con Python.
  • Tener intuición en la mayoría de modelos de Machine Learning.
  • Hacer predicciones precisas y acertadas.
  • Crear unos análisis elaborados.
  • Crear modelos de Machine Learning robustos y consistentes.
  • Crear valor añadido a tu propio negocio.
  • Utilizar el Machine Learning para cuestiones personales.
  • Dominar aspectos específicos como por ejemplo Reinforcement Learning, NLP o Deep Learning
  • Conocer las técnicas más avanzadas como la reducción de la dimensionalidad.
  • Saber qué modelo de Machine Learning usar para cada tipo de problema.
  • Crear toda una librería de modelos de Machine Learning y saber cómo combinarlos para resolver cualquier problema.

¿Hay requisitos para seguir correctamente el curso?

  • Con el nivel de matemáticas de secundaria y bachillerato es suficiente.

¿Para quién es este curso?

  • Cualquier estudiante que esté interesado en el Machine Learning.
  • Estudiantes con nivel de matemáticas de bachillerato que quieren iniciarse en Machine Learning.
  • Estudiantes de nivel intermedio con conocimientos básicos de Machine Learning, incluyendo algoritmos clásicos de regresión lineal o logística, pero que quieren aprender más y explorar los diferentes campos del Machine Learning.
  • Estudiantes que no se sienten cómodos programando pero se interesan por el Machine Learning y quieren aplicar las técnicas al análisis de data sets.
  • Universitarios que quieren iniciarse en el mundo del Data Science.
  • Cualquier analista de datos que quiera mejorar sus habilidades en Machine Learning.
  • Personas que no están satisfechas con su trabajo y quieren convertirse en Data Scientist.
  • Cualquier persona que quiera añadir valor a su empresa con el poder del Machine Learning.
Note that the project description data, including the texts, logos, images, and/or trademarks, for each open source project belongs to its rightful owner. If you wish to add or remove any projects, please contact us at [email protected].