DataTalks - Machine Learning Zoomcamp 2024

El curso se divide en dos partes:

La Parte 1 se centra en los principales algoritmos de aprendizaje automático y su aplicación práctica utilizando Python. Los temas tratados incluyen:

• Regresión Lineal: ingeniería de características, manejo de variables categóricas y la importancia de la regularización.

• Clasificación: regresión logística y la importancia de las características.

• Árboles de Decisión y Aprendizaje por Conjuntos: técnica de boosting por gradiente y XGBoost, un popular algoritmo de aprendizaje por conjuntos.

• Redes Neuronales y Aprendizaje Profundo: Redes Neuronales Convolucionales (CNN) y técnicas de transferencia de aprendizaje para abordar problemas complejos con aprendizaje profundo.

• Python y Jupyter Notebooks: trabajando de manera eficiente con código.

• NumPy y Pandas: conceptos de álgebra lineal como matrices y manipulación y análisis de datos.

• Matplotlib y Seaborn: visualización de datos y representaciones gráficas.

• Scikit-Learn: aplicación de varios algoritmos de aprendizaje automático a conjuntos de datos del mundo real.

• TensorFlow y Keras: marcos populares para construir redes neuronales y modelos de aprendizaje profundo.

  

La Parte 2 está dedicada al despliegue de modelos, que implica poner modelos de aprendizaje automático en producción. En esta sección, adquirirás habilidades prácticas utilizando marcos y herramientas populares. Los temas tratados incluyen:

• Flask, Pipenv y Docker: despliegue de modelos de aprendizaje automático, lo que te permitirá trasladar tus modelos de notebooks a servicios y aplicaciones.

• AWS Lambda y TensorFlow Lite: aprendizaje profundo sin servidor, comprendiendo cómo operar de manera eficiente dentro de este paradigma.

• Kubernetes y TensorFlow Serving: automatización del despliegue, escalado y gestión de aplicaciones en contenedores.

• KServe (opcional): un tema adicional para aquellos que buscan conocimientos avanzados, ofreciendo perspectivas sobre cómo mejorar aún más las capacidades de despliegue.

  

Índice

1. Introduction to Machine Learning
2. Machine Learning for Regression
3. Machine Learning for Classification
4. Evaluation Metrics for Classification
5. Deploying Machine Learning Models
6. Decision Trees and Ensemble Learning
7. Neural Networks and Deep Learning
8. Serverless Deep Learning
9. Kubernetes and TensorFlow Serving

Homework

1. Introduction to Machine Learning
2. Machine Learning for Regression
3. Machine Learning for Classification
4. Evaluation Metrics for Classification
5. Deploying Machine Learning Models
6. Decision Trees and Ensemble Learning
7. Neural Networks and Deep Learning
8. Serverless Deep Learning
9. Kubernetes and TensorFlow Serving

Link a repositorio del Curso