Scikit-learn

• Científicos de datos y analistas que quieren dominar Scikit-learn como herramienta principal de machine learning.
• Desarrolladores Python que necesitan incorporar modelos predictivos en sus aplicaciones.
• Perfiles que ya completaron la introducción y necesitan el curso completo de Scikit-learn.

Módulo 1: Introducción al aprendizaje automático Conceptos fundamentales de machine learning Instalación de Scikit learn y exploración de datasets Módulo 2: Primer modelo supervisado Explorar un dataset con pandas y separar X e y Entrenar un primer clasificador y evaluar con accuracy Entrenar una primera regresión y medir el error Módulo 3: Preprocesado de datos Valores faltantes e imputación Escalado y normalización Codificación de variables categóricas Ingeniería y selección de características Extracción de características Particionamiento y datos desbalanceados Módulo 4: Regresión Regresión lineal y polinomial Regularización Ridge y Lasso KNN, SVM y árboles de decisión para regresión Ensembles y Random Forest para regresión Módulo 5: Clasificación Regresión logística KNN, SVM y árboles de decisión para clasificación Ensembles, Random Forest y Gradient Boosting Módulo 6: Aprendizaje no supervisado Reducción de dimensionalidad con PCA y t SNE Clustering con K Means, jerárquico y DBSCAN Módulo 7: NLP y procesamiento de textos Representación de texto con TF IDF y CountVectorizer Clasificación de textos y análisis de sentimiento Técnicas avanzadas de extracción de características Módulo 8: Series temporales Análisis y procesamiento de fechas Ingeniería de características temporales Normalización y validación cruzada temporal Módulo 9: Validación y optimización de modelos Métricas de regresión y clasificación Validación cruzada GridSearchCV y RandomizedSearchCV Módulo 10: Pipelines y despliegue Creación e implementación de pipelines Preprocesados y ColumnTransformer Validación cruzada con pipelines Exportación e importación con joblib Módulo 11: Boosting moderno, explicabilidad y MLOps XGBoost, LightGBM y CatBoost integrados con Scikit learn Explicabilidad de modelos con SHAP Codificación de categóricas con TargetEncoder y calibración de probabilidades Exportación a ONNX y registro de modelos con MLflow Proyectos integradores Proyecto de regresión con dataset Tips Proyecto de regresión con dataset Pokémon Proyecto de clasificación con dataset Diamonds

• Aplicar el flujo completo de preprocesado de datos para preparar datasets para modelado.
• Entrenar y evaluar modelos de regresión y clasificación con múltiples algoritmos.
• Implementar técnicas de aprendizaje no supervisado para reducción de dimensionalidad y clustering.
• Procesar texto con técnicas de NLP y aplicar modelos de clasificación y análisis de sentimiento.
• Construir pipelines reproducibles y exportar modelos para su despliegue en producción.
• Validar modelos con métricas adecuadas, validación cruzada y optimización de hiperparámetros.