Si eres alumno del curso puedes encontrar tus notas aquí :smile:.
Durante el curso el alumno aprenderá el flujo de trabajo que debe seguir un data scientist al involucrarse en un proyecto de Machine Learning. También se espera que el alumno obtenga conocimiento de los modelos y técnicas más famosas del área tanto a nivel teórico como práctico:
Finalmente, también se contempla estudiar técnicas para medir el desempeño de estos algoritmos y optimizar su funcionamiento. Al final del curso el alumno conocerá en qué contexto usar cada uno de los modelos, entendiendo sus ventajas y desventajes. Además podrá desarrollar algunos de estos modelos desde cero.
Evaluación | Fecha de publicación | Contenido |
---|---|---|
Actividad 00 | 19 de agosto | Introducción a Python |
Actividad 01 | 26 de agosto | Pandas y Scikit Learn |
Actividad 02 | 09 de septiembre | Clasificación y Naive Bayes |
Control 01 | 16 de septiembre | Regresión Lineal, Polinomial y Gradient Descent |
Actividad 03 | 30 de septiembre | Regresión Logística |
Actividad 04 | 28 de octubre | SVM y Kernels |
Control (Bonus) | 04 de noviembre | Árboles de Decisión |
Actividad 05 | 11 de noviembre | Random Forest y Boosting |
Actividad (Bonus) | 18 de noviembre | Reducción de Dimensionalidad y Clustering |
Control 02 | 25 de noviembre | Introducción a Redes Neuronales |
Actividad 06 | 02 de diciembre | Redes Convolucionales |
La página de Issues se utilizará como foro para preguntas. Notar que las etiquetas ya se encuentran definidas. Este es el único canal oficial para formular preguntas.
Tanto al publicar como comentar, debes atenerte a las normas, que consisten en:
Importante: El equipo docente puede tardar mas de 24 horas en contestar una issue, aunque normalmente el tiempo de respuesta debería ser menor. Por lo mismo, se recomienda no publicar issues el mismo día de alguna entrega.