Contacta con nosotros

Temario del curso

Aprendizaje supervisado: clasificación y regresión

  • Aprendizaje automático en Python: introducción a la API de scikit-learn
    • regresión lineal y logística
    • máquinas de vectores de soporte
    • redes neuronales
    • bosques aleatorios
  • Configuración de una pipeline de aprendizaje supervisado de extremo a extremo utilizando scikit-learn
    • trabajo con archivos de datos
    • imputación de valores faltantes
    • manejo de variables categóricas
    • visualización de datos

Frameworks de Python para aplicaciones de IA:

  • TensorFlow, Theano, Caffe y Keras
  • IA a escala con Apache Spark: Mlib

Arquitecturas avanzadas de redes neuronales

  • redes neuronales convolucionales para análisis de imágenes
  • redes neuronales recurrentes para datos estructurados en el tiempo
  • celda de memoria a largo y corto plazo

Aprendizaje no supervisado: agrupamiento y detección de anomalías

  • implementación del análisis de componentes principales con scikit-learn
  • implementación de autoencoders en Keras

Ejemplos prácticos de problemas que la IA puede resolver (ejercicios prácticos usando cuadernos Jupyter), por ejemplo: 

  • análisis de imágenes
  • pronóstico de series financieras complejas, como precios de acciones,
  • reconocimiento complejo de patrones
  • procesamiento del lenguaje natural
  • sistemas de recomendación

Comprensión de las limitaciones de los métodos de IA: modos de falla, costos y dificultades comunes

  • sobreajuste
  • compensación entre sesgo y varianza
  • sesgos en datos observacionales
  • envenenamiento de redes neuronales

Trabajo práctico de aplicación (opcional)

Requerimientos

No se requieren requisitos específicos para asistir a este curso.

 28 Horas

Número de participantes


Precio por participante

Testimonios (2)

Próximos cursos

Categorías Relacionadas