Repository files navigation

• Instalación de Anaconda3. Como mínimo son necesarias las librerías:

  • numpy
  • pandas
  • matplotlib
  • seaborn
  • scikit-learn

• Conocimientos de Python 3.9+

1. Entorno de trabajo
2. Repaso conceptos básicos
3. Estructuras de datos: listas, tuplas y diccionarios

1. Estructuras de datos:DataFrame ySeries
2. Importar datos
3. Filtrado de filas y columnas
4. Estadísticas descriptivas
5. Operaciones agrupadas
6. Visualización

1. Introducción al Machine Learning[presentación]
2. Introducción a scikit-learn
3. Conjuntos de datos
4. Preproceso
5. Modelos lineales de regresión: Ridge, Lasso, Elastic Net.
6. Modelos lineales de clasificación: regresión logística
7. K-Vecinos próximos
8. Árboles de decisión
9. Ensembles: bagging y boosting
   • Random Forest
   • Gradient Boosting
10. Métricas para evaluar modelos
11. Introducción a modelos no supervisados: K-means

1. Clasificación de texto
2. Clasificación de texto zero-shot

1. Combinación de modelos
2. Persistencia de modelos
3. Gestión de ciclo vida de modelos:
   • Despliegue de modelos con FastAPI y Docker[repositorio]
   • Registro y análisis de parámetros y métricas
   • Caso práctico guiado: Kaggle

General

• Python Data Science Handbook
• Machine Learning tutorials
• scikit-learn MOOC
• Machine Learning (Loyola University Chicago)
• Machine Learning (University Wisconsin-Madison)
• Applied Machine Learning (Columbia University)
• Applied Machine Learning in Python
• Introduction to Machine Learning in Python (workshop)
• Pandas Cookbook
• Curso numpy y pandas básico
• Python for Data Analysis (github)
• machine learning tutorials

Transformers

• Hugging Face.NLP Course
• Hugging Face.The transformer model family
• Hugging Face.Transformers
• Hugging Face.Models
• Hugging Face.Pretrained models
• The most popular HuggingFace models
• Hugging Face Pre-trained Models: Find the Best One for Your Task