Python e inteligencia artificial

¡Este es el curso de Python donde no solo te vas a convertir en un programador de Python, si no que también vas a entender y a usar la inteligencia artificial!

¿Tienes curiosidad sobre la inteligencia artificial? ¿Te gustaría saber qué es? ¿Te gustaría crear tu propia inteligencia artificial? ¡Estás en el lugar adecuado! En este curso vas a ser capaz de crear diferentes modelos para generalizar los datos. Además construiremos varios proyectos con los cuales aprenderás Python.

Además pulsando aquí, o con este enlace (https://discord.gg/wfWbzDYpc8), podrás acceder al servidor de discord donde, aparte de comunicarte con el profesor para preguntar dudas, tendrás ejercicios extra, más proyectos, foros...

Proyectos

Durante el curso se construirán varios programas y se llevarán a cabo varios proyectos. Estos serán:

  • Programa para detectar números primos: Para entender las bases de Python.
  • Programa para mostrar los múltiplos de un número: Para entender los bucles en Python.
  • Programa para mostrar los divisores de un número: Para entender las condiciones en Python.
  • Programa para crear una terminal: Para entender las bases de Python.
  • Programa para crear listas enlazadas: Para aprender a usar la programación orientada a objetos.
  • Programa para manejar datos: Para aprender a usar pandas, numpy y mejorar nuestro entendimiento de las clases en Python
  • Inteligencia artificial basada en Naive Bayes: Para entender los modelos basados en naive bayes y mejorar nuestro uso de la librería numpy.
  • Inteligencia artificial basada en K-NN: Para entender los modelos basados en K-NN y mejorar nuestro uso de la librería numpy.
  • Inteligencia artificial basada en Redes neuronales: Para entender los modelos basados en las redes neuronales, mejorar nuestro uso de la librería numpy.
  • Notebook comparando SKLearn y nuestra implementación.
  • Programas que implementen con y sin recursividad diferentes estructuras de datos.
  • Funciones que implementen los algoritmos de ordenación merge sort y quick sort.
  • Funciones que implementen los algoritmos de búsqueda Breadth first search (BFS) y Depth first search (DFS).
Principiante11 h y 32 min127 lecciones

Tu Instructor

Kevin de la Coba Malam

Ingeniero Informático graduado en la Universidad Autónoma de Madrid, especializado en desarrollo de software, machine learning y sistemas de inteligencia artificial.

Ingeniero Informático
Universidad Autónoma de Madrid
Ingeniería de Software e IA
Especialista en desarrollo y Machine Learning
YouTubeInstagramLinkedIn
KC

Antes de empezar

Comprueba si el curso encaja contigo y descubre qué podrás hacer al terminarlo.

Requisitos

  • Ordenador capaz de ejecutar Visual Studio Code y que soporte Python 3.9. (Mi recomendación es Windows 10, Windows 11, Mac OS y Ubuntu 18 o superior)

  • Ganas de aprender.

¿Para quién es este curso?

  • Este curso es para todos los niveles. No hace falta que sepas nada de programación, inteligencia artificial, o ciencia de datos.

  • Para aquellos que quieran aprender Python

  • Para aquellos que quieran reforzar su conocimiento de la inteligencia artificial.

  • Para aquellos en búsqueda de oportunidades laborales en el mundo de la tecnología.

Objetivos

  • Mi principal objetivo es que tras el curso seas capaz de crear programas con Python y puedas crear una inteligencia artificial

  • Tras el curso tengas una base sólida de lo que es la programación, permitiéndote aprender otros lenguajes de programación con facilidad.

  • Aprendas a usar sockets e hilos.

  • Aprendas a usar la librería Pandas.

  • Aprendas a usar la librería Numpy.

  • Aprendas a usar la librería SKLearn.

  • Aprendas a usar Notebooks.

  • Comprenderás los modelos actuales que usan aprendizaje automático. Estos son: Naive Bayes, K-NN y Redes neuronales.

  • Comprenderás las estructuras de datos más usadas como la pila, cola y los árboles binarios.

  • Comprenderás cómo funcionan los algoritmos de ordenación como merge sort y quick sort.

  • Comprenderás cómo funcionan los algoritmos de búsqueda como Breadth first search (BFS) y Depth first search (DFS).

Contenido del curso

24 módulos con 127 lecciones, organizados para que puedas avanzar a tu ritmo.

Introducción
4 lecciones

  • ¿Quién soy?

    2 min y 2 s

  • ¿Cómo usar discord?

    6 min y 19 s

  • Instalar anaconda

    1 min y 33 s

  • Instalar VSCode

    2 min y 31 s

Variables
5 lecciones

  • ¿Qué son las variables?

    5 min y 32 s

  • Practicando con enteros

    3 min y 19 s

  • Practicando con decimales

    1 min y 48 s

  • Practicando con strings

    3 min y 42 s

  • Operaciones

    4 min y 19 s

Estructuras de datos
3 lecciones

  • Listas

    8 min y 17 s

  • Diccionarios

    5 min y 41 s

  • Ejercicio

    7 min y 4 s

If y bucles
10 lecciones

  • if

    4 min y 56 s

  • Comparaciones

    3 min y 52 s

  • Puertas lógicas

    5 min y 8 s

  • Asignación condicional

    2 min y 43 s

  • Bucle while

    4 min y 45 s

  • Bucle for

    3 min y 8 s

  • Break y continue

    5 min

  • Ejercicio. Múltiplos

    4 min y 45 s

  • Ejercicio. Divisores

    4 min y 59 s

  • Ejercicio. Primos

    9 min y 3 s

Creando una terminal
8 lecciones

  • Base de la terminal

    4 min y 29 s

  • Comando para operar

    4 min y 33 s

  • Manejar errores

    1 min y 33 s

  • Guardar datos en un diccionario

    5 min y 21 s

  • Guardar y cargar datos en un archivo

    7 min y 30 s

  • Sentencia with

    3 min y 13 s

  • Cast

    3 min y 50 s

  • Guardar comandos

    2 min y 54 s

Funciones y scope
3 lecciones

  • Funciones y scope

    8 min y 20 s

  • Scope

    4 min y 24 s

  • Return

    6 min y 29 s

Programación orientada a objetos
8 lecciones

  • ¿Qué es una clase?

    2 min y 20 s

  • Creamos una clase

    2 min y 40 s

  • Atributos y constructor

    8 min y 45 s

  • Métodos

    1 min y 38 s

  • Atributos estáticos

    3 min y 4 s

  • Herencia

    5 min y 13 s

  • Ejercicio. Nodo

    7 min y 35 s

  • Ejercicio. Lista

    3 min y 55 s

Programación funcional
4 lecciones

  • Filter, map y lambdas

    7 min y 52 s

  • Listas por comprensión

    3 min y 6 s

  • Diccionarios por comprensión

    6 min

  • Comprensiones condicionales

    3 min y 26 s

Pandas y plot
4 lecciones

  • Datos

    1 min y 59 s

  • Pandas

    6 min y 5 s

  • Adaptamos los datos

    3 min y 36 s

  • Matplotlib

    5 min y 27 s

Notebook
3 lecciones

  • Notebook

    5 min y 3 s

  • Escribiendo un notebook

    5 min y 4 s

  • Ejemplo SKLearn

    4 min y 27 s

Datos
4 lecciones

  • Atributos discretos y continuos

    6 min y 12 s

  • Clase datos, atributos discretos

    10 min y 45 s

  • Diccionario para valores discretos

    9 min y 38 s

  • Numpy, datos

    10 min y 4 s

Naive bayes
7 lecciones

  • Resumen

    7 min y 57 s

  • Probabilidad de las clases

    11 min y 15 s

  • Matriz de probabilidad condicional

    5 min y 23 s

  • Probabilidad condicional de atributos discretos

    18 min y 18 s

  • Media y varianza

    7 min y 8 s

  • Casificamos

    10 min y 57 s

  • Error

    4 min y 26 s

KNN
8 lecciones

  • Como implementar KNN

    5 min y 46 s

  • Clase clasificador

    2 min y 55 s

  • Creando la clase KNN

    2 min y 48 s

  • Contando número de clases

    59 s

  • Funciones de distancia

    5 min y 59 s

  • Calculando la distancia

    7 min

  • K más cercanos

    6 min y 7 s

  • Obtenemos la clase más alta

    7 min y 27 s

Red neuronal
7 lecciones

  • ¿Qué es una red neuronal?

    8 min y 14 s

  • Diagrama de clases

    5 min y 24 s

  • Clase red neuronal

    9 min y 57 s

  • Clase capa

    6 min y 26 s

  • Clase neurona

    7 min y 33 s

  • Clase conexión y test

    8 min y 15 s

  • Método str

    8 min y 36 s

Retropropagación
7 lecciones

  • Función sigmoide

    3 min y 41 s

  • Algoritmo de retropropagación

    9 min y 18 s

  • Delta salida

    8 min y 4 s

  • Delta capas ocultas

    8 min y 53 s

  • Incremento pesos

    6 min y 21 s

  • Tests con puertas lógicas

    5 min y 30 s

  • Métodos entrenar y clasificar

    9 min y 39 s

Comparando modelos y SKLearn
2 lecciones

  • Comparando modelos

    7 min y 19 s

  • SKLearn

    13 min y 9 s

Sockets e Hilos
4 lecciones

  • ¿Qué son los sockets?

    3 min y 44 s

  • Creando el servidor

    8 min y 54 s

  • Creando el cliente

    3 min y 28 s

  • Hilos

    6 min y 45 s

Trabajos con Python y Django
1 lección

  • Trabajos con Python y Django

    2 min

Estructuras de datos - Colas
7 lecciones

  • Introducción

    1 min y 3 s

  • Concepto de la cola

    1 min y 36 s

  • Añadir elementos a una cola

    8 min y 42 s

  • Quitar elementos de una cola

    4 min y 5 s

  • Cola funciones recursivas

    5 min y 30 s

  • Añadir elementos a una cola (clases)

    5 min y 17 s

  • Eliminar elementos de una lista (clase)

    3 min y 51 s

Estructuras de datos - Pila
4 lecciones

  • Concepto de la Pila

    2 min y 35 s

  • Pila con bucles

    5 min y 36 s

  • Pila con funciones recursivas

    4 min y 6 s

  • Pila (clases)

    4 min y 2 s

Estructuras de datos - Árboles
6 lecciones

  • Concepto árbol binario

    1 min y 47 s

  • Creamos un árbol binario

    7 min y 37 s

  • Heaps

    3 min y 19 s

  • Max heaps

    3 min y 34 s

  • AVL

    4 min y 12 s

  • Árbol binario representado en un array

    7 min y 33 s

Algoritmos de ordenación
6 lecciones

  • Explicación del algoritmo merge sort

    4 min y 43 s

  • Complejidad de merge sort

    1 min y 10 s

  • Código merge sort

    10 min y 31 s

  • Explicación del algoritmo quick sort

    4 min y 27 s

  • Complejidad de Quick sort

    4 min y 55 s

  • Código Quick sort

    8 min y 39 s

Implementación de un heap
7 lecciones

  • Heap

    1 min y 18 s

  • Creamos la clase

    6 min y 49 s

  • Heapify up

    8 min y 12 s

  • Heapify down

    9 min y 26 s

  • Arreglo heapify down

    1 min y 40 s

  • Insertar y pop

    5 min y 30 s

  • Arreglo pop

    1 min y 33 s

Algoritmos de búsqueda
5 lecciones

  • Algoritmos de búsqueda

    3 min y 5 s

  • Algoritmo BFS

    2 min y 16 s

  • Implementamos BFS

    6 min y 48 s

  • Algoritmo DFS

    2 min y 24 s

  • Implementamos DFS

    2 min y 1 s