Descripción:

En este curso se estudiará en primera instancia a Python como un Lenguaje de Programación Funcional y Orientado a Objetos.

Luego se estudiarán en detalle la implementación de Métodos Exploratorios y de Clustering (Aprendizaje no Supervisado) en Python, métodos como Análisis en Componentes Principales, Agrupación Jerárquica y k-medias serán estudiados.

También se estudiarán en detalle la implementación de métodos Métodos Predictivos y de Regresión (Aprendizaje Supervisado) en Python, métodos como los K vecinos más cercanos, el Método de Bayes, Análisis Discriminante Lineal y Cuadrático, Máquinas Vectoriales de Soporte, Árboles de Decisión, Bosques Aleatorios (Random Forest) y Métodos de Potenciación (Boosting)

Objetivos:

En este curso el estudiante será capaz de:

1. Programar en Lenguaje Python con una filosofía Funcional o desde una perspectiva Orientada a Objetos.
2. Utilizar Python para generar modelos exploratorios (aprendizaje no supervizado).
3. Utilizar Python para generar modelos predictivos (aprendizaje supervizado).
4. Analizar tablas de datos reales utilizando scrips propios y paquetes
   especializados de Python.

Contenido:

1. Python como Lenguaje de Programación

a. Python 2 versus Python 3
b. Instalando Anaconda, Spyder, Scikit-Learn, NumPy, SciPy, IPython, Jupiter, Matplotlib, Pandas y 
    Sympy
c. Variables y tipos de datos
d. Listas y Diccionarios en Python
e. Sentencias de control tipo “if”
f.  Ciclos tipo “While”
g. Funciones en Python
h. Definiciones en Orientación Orientada a Objetos
i.  Diseño de programas Orientados a Objetos
j.  Objetos en Python
k. Herencia simple y múltiple
l.. Clases Abstractas y Polimorfismo

 2. Python en Análisis de Datos Exploratorio

a. Uso de NumPy
b. Manipulación de Datos con Pandas
c. Visualización de Datos con Matplotlib

3. Aprendizaje no supervisado en Python (Clustering)

a. Introducción a Scikit-Learn
b. Análisis en Componentes Principales
c. Clustering Jerárquico
d. El método de K-medias

4. Aprendizaje supervisado en Python (Métodos Predictivos)

a. El método de los K vecinos más cercanos
b. Método de Bayes
c. Análisis Discriminante Lineal y Cuadrático
d. Máquinas Vectoriales de Soporte
e. Árboles de Decisión
f.  Bosques Aleatorios (Random Forest)
g. Métodos de Potenciación (Boosting)
h. Redes Neuronales
i.  Validación cruzada en Scikit-Learn

Metodología:

Este curso es impartido 100% Online, las clases son impartidas vía web en vivo desde nuestras oficinas, usando un servidor Cisco Webex, mediante una vídeo conferencia, así el estudiante  puede seguir la lección desde cualquier lugar en donde se encuentre usando su computador o incluso usando un Smart Phone o una Tablet. En estas vídeo conferencias participan todos los estudiantes quienes pueden hacer preguntas de forma oral o por medio del chat, en cualquier momento, además las vídeo conferencias quedan grabadas de modo que los estudiantes las pueden ver tantas veces como quieran o en caso de que no pudieron participar en vivo.

Este curso está basado en la teoría de la aplicación directa y práctica con casos reales de los conceptos aprendidos y tiene una duración de 8 semanas. Para esto se disponen de las siguientes herramientas:

1. Una vídeo conferencia semanal, la cual quedará grabada en CISCO-Webex, para que los alumnos la puedan acceder en cualquier momento.
2. Un trabajo práctico semanal que será entregado en nuestra aula virtual.
3. El curso tiene un foro para plantear dudas al tutor y a los compañeros.
4. El curso cuenta con un Aula virtual en la plataforma Moodle en la que se pueden bajar todos los materiales, como presentaciones, tareas, software, entre otros.

Bibliografía:

1. Andreas C. Müller and Sarah Guido. Introduction to Machine Learning with Python: A Guide for
    Data Scientists. O’Reilly, 1st Edition, 2017.
2. Dusty Phillips. Python 3 Object-oriented Programming, Second Edition. Packt Publishing Ltd, 2015.
3. Eric Matthes. Python Crash Course A Hands-On, Project-Based introduction to Programming. No 
    Starch Press, Inc. 2016.
4. Jake VanderPlas. Python Data Science. O’Reilly, 2017.
5. John Paul Mueller and Luca Massaron. Python for Data Science For Dummies (For
    Dummies (Computer/Tech)) 1st Edition, 2015.
6. Steven F. Lott. Mastering Object-oriented Python. Packt Publishing Ltd, 2014.
7. Python Software Foundation. 2017. Python 3.6.2 documentation. python.org.
8. Anaconda 2017. Download Anaconda Distribution Python 3.6 version. Anaconda Inc.
9. Anaconda 2017. Anaconda Documentation. Anaconda Inc.