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 soporte vectorial
    • redes neuronales
    • bosques aleatorios
  • Configuración de un pipeline completo de aprendizaje supervisado utilizando scikit-learn
    • manejo de archivos de datos
    • imputación de valores perdidos
    • manejo de variables categóricas
    • visualización de datos

Marcos de Python para aplicaciones de IA:

  • TensorFlow, Theano, Caffe y Keras
  • IA a gran 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
  • la celda de memoria a largo y corto plazo

Aprendizaje no supervisado: clustering y detección de anomalías

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

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

  • análisis de imágenes
  • pronóstico de series financieras complejas, como precios de acciones,
  • 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

  • overfitting (sobreajuste)
  • compensación entre sesgo/varianza
  • sesgos en datos observacionales
  • envenenamiento de redes neuronales

Trabajo de proyecto aplicado (opcional)

Requerimientos

No hay requisitos específicos para asistir a este curso.

 28 Horas

Número de participantes


Precio por participante

Testimonios (2)

Próximos cursos

Categorías Relacionadas