Te ofrecemos la formación necesaria para dominar el lenguaje de programación más popular del mundo. Con nuestro curso, te especializarás en Inteligencia Artificial, Deep Learning y Machine Learning, y también te prepararemos para superar el examen de Certificación PCAP: Python Essentials.
Está diseñado para personas interesadas en adquirir conocimientos en programación.
Módulo I. Python, el nuevo desconocido
Tema 1: Presentación de Python
• ¿Qué es Python?
• Historia de Python
• Versiones de Python
Tema 2: ¿Por qué escoger Python?
• Evolución y objetivos de Python
Tema 3: Características de Python
• Las 10 características
Tema 4: Entornos de desarrollo con Python
• Intérprete oficial
• Anaconda Jupyter
• PyCharm
• Visual Studio Code
Módulo II. Características básicas del lenguaje
Tema 1: Tipos de datos básicos
• Palabras reservadas
• Comentarios
• Tipos de datos básicos de Python
• Variables en Python
• Constantes en Python
Tema 2: Operadores en Python
• Asignación
• Aritméticos
• Lógicos
Tema 3: Tipos de datos avanzados
• Listas de Python
• Tuplas en Python
• Diccionarios en Python
• Sets en Python
Tema 4: Entrada y salida
• Entrada de datos por teclado
• Salida de datos por pantalla
Tema 5: Control de flujo - Estructuras de decisión y estructuras de repetición
• Condicionale en Python IF - ELSE
• Bucles en Python WHILE / FOR
Tema 6: Funciones
• Concepto de las Funciones en Python
• Implementación de las funciones
• Argumentos y parámetros
• Funciones integradas de Python
• Buenas prácticas con las funciones
Módulo III. Programación orientada a objetos (POO)
Tema 1: Metodología basada en objetos
• Programación estructurada VS POO (Programación Orientada a Objetos)
• Los 4 principios de la POO
Tema 2: Clases objetos, atributos y métodos
• Definición de clases, objetos, métodos y atributos
Tema 3: Practicando con clases y objetos
• Definición de constructores
Tema 4: Herencia
• Definición de Herencia
• Usos
• Implementación
Módulo IV. POO y métodos aplicados
Tema 1: Otras herramientas de POO
• Herencia múltiple
• Polimorfismo
Tema 2: Métodos aplicados
• Métodos aplicados a los strings
• Métodos aplicados a las listas
• Métodos aplicados a los conjuntos
• Métodos aplicados a los diccionarios
Tema 3: Errores y excepciones
• Errores
• Excepciones
Tema 4: Datos temporales
• Fechas y Horas
• Problemas con las zonas horarias
• Usamos diferentes usos horarios
Módulo V. Manipulación de datos
Tema 1: Archivos
• Manejo de archivos en Python
Tema 2: Excel - CSV
• Excel: XLS
• CSV
Tema 3: JSON
• ¿Qué es el JSON?
• JSON vs. XML
• Componentes
• Ejemplo práctico
• JSON Minificado y JSON View
• JSON en Python
Tema 4: Base de datos (BBDD)
• ¿Qué es una base de datos?
• Cómo almacena los datos una base de datos
• Lenguaje SQL
• Ejemplos de bases de datos
• SQLite3
Tema 5: Librerías especializadas en el manejo de datos
• Numpy
• Pandas
• Otras librerías
Módulo VI. Practicando se aprende
Tema 1: Práctica 1 - Creación de una app web con Flask y base de datos SQLite3
Tema 2: Práctica 2 - Creación de una app de escritorio con Tkinter y base de datos SQLite3
Especialización en Machine Learning (PRPYTHML) Módulo I. Introducción al Machine Learning
Tema 1: Introducciónj al Big Data y Machine Learning
• Método científico
• Introducción al Big Data
• Introducción al Machine Learning
• Breve repaso del álgebra lineal
Tema 2: Entorno de trabajo: VM
• Crear una máquina virtual local
Tema 3: Jupyter
Tema 4: Librerías numéricas de Python
• Numpy
• Pandas
• Matplotlib
Tema 5: Introducción a Scikit-learn
Módulo II. Aprendizaje supervisado
Tema 1: Regresión lineal
• Simple
• Multivariable
Tema 2: Optimización por descenso de gradiente
• Convergencia
• Ratio de aprendizaje
Tema 3: Normalización
• Problema
• Normalización
• Entrenamiento
Tema 4: Regularización
• Desviación y varianza
• Función de coste regularizada
Tema 5: Validación cruzada
• Métodos de resolución
• Subdivisión del set de datos
• K-fold
Tema 6: Teorema de Bayes
• Ejemplo de clasificación
• Sensibilidad y especificidad
Tema 7: Clasificación por árboles de decisión
• Variables objertivo categóricas y continuas
• Splitting
• Limitaciones al tamaño del árbol
• Pruning
• Bootstrapping
Tema 8: Regresión logística/clasificación
• Modelado de dato
• Clasificación binaria y multiclase
• Función sigmodea
• Función de coste
Tema 9: Clasificación por SVM (Support Vector Machines)
• Kernels y Landmarks
• Transformación de la hipótesis
• Tipos de kernels
• Parámetro de regularización
Tema 10: Introducción a las redes neuronales
• Neuronas naturales
• Neuronas artificiales
• Redes neuronales profundas
Módulo III. Aprendizaje no supervisado
Tema 1: Optimización por aleatoriedad
• Entrenamiento múltiple
• Implementación
Tema 2: Agrupación
• Diferencias entre agrupación y clasificación
• K-means y otros algoritmos
Módulo IV. Aprendizaje reforzado
Tema 1: Detección de anomalías
• Anomalías
• Representación de modelo
• Elección de características
• Distribución normal o gaussiana
Tema 2: Sistemas de recomendación
• Sistemas de recomendación por regresión lineal
• Función de coste
• Algoritmos de entrenamiento
• Realización de predicciones
Tema 3: Algoritmos genéricos
• Evolución natural
• Evolución del comportamiento
• Algoritmos aplicados a la optimización
Módulo V. Desarrollo de sistemas de aprendizaje automático
Tema 1: Ingeniería de características (“feature engineering”)
• Creación de características
• Problemas y soluciones
Tema 2: Análisis de Componentes Principales (“PCA”)
• Representación de variables
• Modelos de dimensionalidad
• Reducción de dimensionalidad
Tema 3: Ensamblajes
• Composición de modelos
• Técnicas de ensamblaje
• Bagging
Tema 4: Planteamiento de sistemas de ML
• Planteamiento de un sistema de ML
• Evaluación del modelo
• Implementación a gran escala
• Paralelización
Tema 5: Evaluación y mejora de modelos
• Sobreajuste vs. desviación
• Métricas de evaluación
• Métricas de clasificación
Tema 6: Operaciones en ML
• MLOps
• Plataforma Kaggle
Especialización en Deep Learning (PRPYTHDL) Módulo I. Introducción al Aprendizaje automático
Tema 1: Fundamentos básicos
• Fundamentos básicos de Machine Learning
◦ Proceso de aprendizaje
◦ Tipos de modelo
◦ Tipos de algoritmo
◦ Tipos de modos de aprendizaje
• Fundamentos básicos de Deep Learning
• Herrameintas básicas para el desarrollo de modelos
◦ Herramientas de desarrollo
◦ Herramientas de manipulación
◦ Herramientas de evaluación
◦ Herramientas de despliegue y ejecución
• Introducción a Collaborate
◦ Google Collaboratory
◦ Creación de un notebook con Colab
◦ Creación de un fragmento de código
◦ Modificación del tipo de hardware
• Introducción a Scikit Learn
◦ Carga de datos
◦ Creación de un modelo
◦ Evaluación del modelo
◦ Visualización del modelo
Tema 2: Preparación de datos y herramientas
• Conjunto de información y operación
• Información de entrada
◦ Conceptos básicos sobre datos
◦ Preparación de datos
• Información de salida
◦ Función de pérdida (Loss)
◦ Ajuste del modelo
• Información de aprendizaje
◦ Algoritmos de optimización
• TensorFlow
◦ Instalación
◦ Utilización de dispositivos
◦ Operaciones básicas
◦ Cálculo de gradientes
◦ Funciones
◦ Operaciones Matriciales
Módulo II: Introducción al aprendizaje profundo
Tema 1: Redes de neuronas profundas
• Conceptos básicos sobre redes de neuronas
• Estructura de la red y funciones de activación
Tema 2: Clasificación
• Conceptos básicos de clasificación
• Construyendo sistemas de clasificación
◦ Clasificación Binaria
◦ Clasificación multi-clase
◦ Clasificación multi-etiqueta
• Optimización de hiper-parámetros
• Transferencia de aprendizaje (Transfer learning)
Tema 3: Regresión
• Conceptos básicos sobre regresión
• Construcción de redes de neuronas (Funciones de activación y Funciones de loss)
• Regresión lineal simple
• Regresión lineal múltiple
Módulo III: Aprendizaje profundo mediante imágenes y sonidos
Tema 1: Redes de neuronas convolucionales (CNN)
• Conceptos básicos sobre visión artificial (Imágenes, filtros, etc)
• Redes de neuronas convolucionales (CNN)
• Preparación de datos
• Creación y compilación de la red
Tema 2: Redes de neuronas residuales (ResNet)
• Importación de las librerías
• Definiciones de bloques residuales
• Transferencia de aprendizaje sobre ResNet
Tema 3: Redes de neuronas recurrentes (RNN)
• Conceptos básicos sobre NLP
• Redes de neuronas recurrentes (RNN)
• Long-Short Term Memory (LSTM)
• Otros tipos de redes de neuronas
Módulo IV: Aplicaciones del aprendizaje profundo
Tema 1: Redes generativas antagónicas (GANs)
• Conceptos básicos sobre Redes generativas antagónicos
• Generador y discriminador
• Funciones de loss en redes GAN
• Redes GAN
Tema 2: Redes de neuronas basadas en refuerzo
• Conceptos básicos sobre Aprendizaje por Refuerzo
• Deep Reinforcement Learning
• Redes de refuerzo profundo
Tema 3: Otras aplicaciones
• Despliegue de modelos
• Despliegue de modelos en dispositivos (TFLite and TensorFlow.js)
• TensorFlow Extended
• Aplicaciones de Deep Learning
• Deep Learning en videojuegos (AlphaGo y AlphaStar)
Especialización en Inteligencia Artificial (PRPYTH)
Módulo I. Adentrándose en la IA
Tema 1: Introducción a la Inteligencia Artificial
• ¿Qué es la IA?
• ¿Cómo sabemos que una máquina es inteligente?
• Historia de la IA
• Sectores de la IA
• Tecnologías de la IA
• IA vs ML vs DL
• Ejemplos de la IA que usamos a diario
• ¿Alguien ha probado el Test de Turing?
• Revoluciones
• Categorías de la IA
Tema 2: La IA, las búsquedas y los juegos
• Búsqueda no informada e informada
• La IA y los juegos
Tema 3: Ciencia y minería de datos
• Ciencia de datos
• El proceso de la Ciencia de Dat
• Minería de Datos (Data Mining)
Módulo II. El aprendizaje y sus librerías
Tema 1: El proceso de la ciencia de datos
• El razonamiento
• El aprendizaje
◦ El aprendizaje automático (Machine Learning)
◦ Paradigmas de aprendizaje
◦ El aprendizaje y la clasificación
◦ Algoritmos de clasificación
◦ Redes neuronales y Deep Learning
Tema 2: Librerías de análisis de datos y Machine Learning
• Librerías de análisis de datos: Pandas
• Librerías de aprendizaje automático: Scikit-learn
◦ Conjuntos de entrenamiento, test y validación
◦ Overfitting (sobreajuste) y underfitting (subajuste)
◦ Evaluar el rendimiento. Matriz de confusión
◦ Pongamos en práctica todo lo anterior
Tema 3: Librerías avanzadas de Inteligencia Artificial
• TensorFlow y Keras. Ejemplo con CIFAR-10 (clasificación de imágenes)
• SHAP
• spaCy: Procesamiento de lenguaje natural (NLP)
Módulo III. La plataforma Kaggle
Tema 1: Qué es Kaggle y algunos de sus proyectos
• ¿Qué es Kaggle?
• Estructura de Kaggle
• Kaggle. Algunos de sus proyectos
Tema 2: Proyecto
Especialización en Internet de las Cosas (IoT): Gestión de Dispositivos
Módulo I. Introducción a IoT
Tema 1: Conceptos generales de IoT
Tema 2: Arquitectura típica de una solución IoT
Tema 3: Conceptos básicos de redes de sensores y actuadores
Tema 4: Sensores y actuadores comunes Tema 5: Ejemplos de aplicaciones
Módulo II. Redes de Comunicaciones para IoT
Tema 1: Comunicación alámbrica e inalámbrica
Tema 2: Redes inalámbricas de bajo consumo
Tema 3: Criterios de selección de tecnologías de comunicación Tema 4: Protocolos de comunicaciones IoT:
• Comunicación Machine2Machine (M2M)
• Tipos de protocolos
• MQTT
Módulo III. Conceptos Generales de Computación en la Nube
Tema 1: Servicios principales disponibles en una plataforma cloud
Tema 2: Relación entre servicios Tema 3: Pricing y modelos de soporte
Tema 4: Almacenamiento de datos en la nube: tipos de bases de datos Tema 5: Integración HUB IoT y BD Cloud
Módulo IV. Seguridad y Privacidad en IoT
Tema 1: Conceptos generales Tema 2: Modelos de seguridad
Tema 3: Privacidad en sistemas distribuidos
Tema 4: Aplicación práctica de técnicas de cifrado simétrico y asimétrico
Casos de Uso
Caso práctico 1: Introducción al uso del ESP8266
Caso práctico 2: Uso de sensores y actuadores con el ESP8266
Caso práctico 3: Uso de la conexión WiFi del ESP8266
Caso práctico 4: Uso de MQTT con el ESP8266
Caso práctico 5: Securización de MQTT
Al concluir la formación, recibirás un certificado que valida los conocimientos adquiridos.
No es necesario tener conocimientos previos, títulos académicos ni experiencia para acceder al Curso de Programador Python.
Información Adicional
Salidas profesionales
Otros datos
