Ponte en Contacto

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 (SVM)
    • Redes neuronales
    • Bosques aleatorios
  • Configuración de un pipeline de aprendizaje supervisado de principio a fin usando scikit-learn
    • Trabajo con archivos de datos
    • Imputación de valores faltantes
    • Gestión 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 el análisis de imágenes
  • Redes neuronales recurrentes para datos estructurados en el tiempo
  • Celdas de memoria a largo plazo (LSTM)

Aprendizaje no supervisado: aplicaciones, 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 notebooks de Jupyter), por ejemplo: 

  • Análisis de imágenes
  • Pronóstico de series financieras complejas, como los precios de las acciones<\/li>
  • Reconocimiento de patrones complejos
  • Procesamiento de lenguaje natural
  • Sistemas de recomendación

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

  • Sobreajuste (overfitting)
  • Compromiso entre sesgo y varianza
  • Sesgos en los datos observacionales
  • Envenenamiento de redes neuronales

Trabajo en proyecto aplicado (opcional)

Requerimientos

No se requieren conocimientos específicos para asistir a este curso.

 28 Horas

Número de participantes


Precio por participante

Reseñas (2)

Próximos cursos

Categorías Relacionadas