mickazzz / data_science_course Goto Github PK

Create page locally

bundle exec jekyll serve --livereload

Parte 1: INTRODUCCIÓN

1. Python, Numpy y Pandas	1.1 Python
	1.2 Numpy
	1.3 Pandas
	1.4 Ejercicio
	1.5 Solución

2. EDA y gráficas	2.1 EDA básico con Pandas y Matplotib
	2.2 EDA avanzado con Seaborn
	2.3 EDA interactivo con Altair y Plotly
	2.4 EDA automático con Pandas Profile y SweetViz
	2.5 EDA avanzado: DimRed (PCA, tSNE, UMAP)
	2.6 EDA avanzado: Clustering (kMeans)
	2.7 Ejercicio
	2.8 Solución

3. Introducción al ML	3.1 AutoML con H2O (clasificación)
	3.2 AutoML con H2O (regresión)
	3.3 AutoML con PyCaret (clasificación)
	3.4 AutoML con PyCaret (regresión)
	3.5 Ejercicio
	3.6 Solución

Parte 2: MODELOS

4. Modelos Lineales	4.1 Linear Regression
	4.2 Logistic Regression
	4.3 Regularization (Ridge, Lasso, ElasticNet)
	4.4 Polynomial regression
	4.5 Generalized Additive Model (GAM)
	Support Vector Machine (SVM)

5. Árboles	5.1 Decission Tree (CART)
	5.2 Decission Tree (C4.5, M5)
	5.3 Random Forest y Extra Trees
	5.4 Gradient Boosting (XGBoost, LGBM, CatBoot)
	5.5 Optimización de Hiperparámetros

6. Redes Neuronales más comunes	6.1 Introducción a la librería (Keras o Pytorch)
	6.2 Entrena una MLP
	6.3 Entrena una CNN (ResNet, EfficientNet)
	6.4 Entrena una UNET
	6.5 Entrena una RNN (LSTM, GRU)
	6.6 Entrena un Transformer (BERT, TabNet)

6. Redes Neuronales menos comunes	6.7 Generative Adversarial Network (GAN)
	6.8 Autoencoder (VAE)
	6.9 Neural Representations (NeRF, SIREN)
	6.10 Graph Neural Network (GNN)
	6.11 Bayesian Neural Network (BNN)
	6.12 Metric Learning (ArcFace)
	6.13 Neural architecture search (NAS)

7. Ensemble	7.1 Media, media ponderada de los modelos
	7.2 Mismo modelo con distintas semillas
	7.3 Metamodelo (Blending y Stacking)
	7.4 Stacking de varias capas

Parte 3: APLICACIONES

8. Procesamiento del Lenguaje	8.1 BOW + Logistic Regression
	8.2 BoW, N-Grams, TF-IDF
	8.3 Word Embeddings
	8.4 RNN con Keras
	8.5 Transformer desde 0 (attention mechanism)

9. Series Temporales	9.1 TimeSeries with Prophet 1
	9.2 TimeSeries with Prophet 2

10. Sistemas de Recomendación	10.1 Collaborative Filtering con Keras
	10.2 Collaborative Filtering con Fast.ai

11. Imágenes	11.1 Clasificación con Fast.ai
	11.2 Data Augmentation y TTA
	11.5 Localización (bboxes) con Fast.ai 2
	11.6 Segmentación con Fast.ai 2

12. Audio y Procesamiento de Señales	12.1 Convertir señal a imagen (espectogramas...)
	12.2 Clasificacion (temporal) con LSTM
	12.3 Separar fuentes

13. Vídeo	13.1 Clasificación para video
	Localización en vídeo
	Segmentación en video

14. Aprendizaje por Refuerzo	14.1 Videjuegos
	14.2 Robótica

Soluciones a competiciones de Kaggle	Titanic
	Houses Prices
	Predict Future Sales

Parte 4: APLICACIONES FUERA DEL ML

16. Minería de Procesos	16.1 Process Mining con PM4PY
	16.2 Process Mining con BupaR

• Una única solución y hacer pequeñas soluciones en esa solución.
  • Tabu Search
  • Simulated Annealing
• Muchas soluciones: Algoritmo genéticos

### Programación Lineal (Linear Programming: LP)

• Programación lineal continua
  • Simplex (optimización global) (de caja negra)
• Programación lineal entera (discreta)
  • Simplex Lineal Entero