Certificado
Data Science & Machine Learning powered by IBM

Identificar las metodologías para la selección de características observables más relevantes para la visualización o para el mejoramiento de la exactitud y/o precisión de un modelo de datos. Diseñar las características observables más relevantes para la visualización o para el mejoramiento de la exactitud y/o precisión de un modelo de datos.

Interpretar la configuración que se ha utilizado para el desarrollo de modelos inteligentes no supervisado de datos utilizando scikit-learn de Python, poniendo especial atención en la selección adecuada del número de agrupaciones, que cumplan lo mejor posible con los requerimientos de la tarea requerida. Crear modelos inteligentes no supervisado de datos utilizando scikit-learn de Python, seleccionando el número de agrupaciones adecuadas y analizando la efectividad del modelo utilizando medidas de calidad, que cumplan lo mejor posible con los requerimientos de la tarea requerida

Interpreta la configuración utilizada en el desarrollo de los modelos inteligentes supervisado de datos utilizando scikit-learn de Python; poniendo especial atención en la selección adecuada del modelo inteligente, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida. Crear modelos inteligentes supervisado de datos utilizando scikit-learn de Python; seleccionando el modelo adecuado y analizando la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

Examinar los resultados de las visualizaciones de modelos inteligentes para el desarrollo de modelos de datos más exactos y/o precisos, que cumplan con los requerimientos de la necesidad del problema a resolver. Utilizar herramientas visuales de máquinas inteligentes para el desarrollo de modelos de datos más exactos y/o precisos, que cumplan con los requerimientos de la necesidad del problema a resolver.

1. Explicar que elementos de la cadena de Máquinas inteligentes se automatizan para las diferentes plataformas 2. Aplicar las plataformas automaticas de ML para entrenar y seleccionar los modelos que mejor clasifican o predicen datos

Interpretar la configuración de los estatutos de pySpark de Python en la modelación inteligente de grandes volúmenes de datos utilizada para cumplir lo mejor posible con los requerimientos de la tarea requerida. Crear modelos inteligentes supervisados de grandes volúmenes de datos utilizando pySpark de Python; seleccionando el modelo adecuado y analizar la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

This course explores the topics, technology, and skills required to gain practice in the successful adoption of Data Science practices to address key industry problems. This course has the following learning objectives: 1. Understand the evolution and relevance of data science in the world today. 2. Explore end-to-end data science industry use cases using the data analytics lifecycle. 3. Understand the scientific method for science projects and the data science team's key roles. 4. Gain a competitive edge using a low-code cloud-based platform for data science - IBM Watson Studio. 5. Data engineering and data modeling practices using machine learning. 6. Explore data science industry case studies: Insurance, transportation, automotive, human resources, aerospace, banking, and healthcare. 7. Experience teamwork agile industry practices using design thinking. 8. Engage in role-playing challenge-based scenarios to propose real-world solutions. The badge earner is ready for a career in data science with demonstrated ability to solve for real-world problems. They can apply Data Science methodology - work with Jupyter notebooks - create Python apps - access relational databases using SQL & Python - use Python libraries to generate data visualizations - perform data analysis using Pandas - construct & evaluate Machine Learning (ML) models using Scikit-learn & SciPy and apply data science & ML techniques to real location data sets.