Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al aprendizaje automático aplicado
- Aprendizaje estadístico frente a aprendizaje automático
- Iteración y evaluación
- Compensación entre sesgo y varianza
- Aprendizaje supervisado frente a no supervisado
- Problemas resueltos con aprendizaje automático
- Entrenamiento, validación y prueba: flujo de trabajo de ML para evitar el sobreajuste
- Flujo de trabajo del aprendizaje automático
- Algoritmos de aprendizaje automático
- Selección del algoritmo adecuado para el problema
Evaluación de algoritmos
-
Evaluación de predicciones numéricas
- Medidas de precisión: ME, MSE, RMSE, MAPE
- Estabilidad de parámetros y predicciones
-
Evaluación de algoritmos de clasificación
- Precisión y sus limitaciones
- La matriz de confusión
- Problema de clases desbalanceadas
-
Visualización del rendimiento del modelo
- Curva de beneficio
- Curva ROC
- Curva de elevación
- Selección del modelo
- Ajuste del modelo: estrategias de búsqueda en cuadrícula (grid search)
Preparación de datos para el modelado
- Importación y almacenamiento de datos
- Comprensión de los datos: exploraciones básicas
- Manipulación de datos con la biblioteca pandas
- Transformación de datos: limpieza y preparación de datos (data wrangling)
- Análisis exploratorio
- Valores faltantes: detección y soluciones
- Valores atípicos (outliers): detección y estrategias
- Estandarización, normalización y binarización
- Recodificación de datos cualitativos
Algoritmos de aprendizaje automático para detección de valores atípicos
-
Algoritmos supervisados
- KNN (K-Nearest Neighbors)
- Ensemble Gradient Boosting
- SVM (Support Vector Machines)
-
Algoritmos no supervisados
- Métodos basados en distancia
- Métodos basados en densidad
- Métodos probabilísticos
- Métodos basados en modelos
Comprensión del aprendizaje profundo
- Visión general de los conceptos básicos del aprendizaje profundo
- Diferenciación entre aprendizaje automático y aprendizaje profundo
- Visión general de las aplicaciones del aprendizaje profundo
Visión general de las redes neuronales
- ¿Qué son las redes neuronales?
- Redes neuronales frente a modelos de regresión
- Comprensión de los fundamentos matemáticos y mecanismos de aprendizaje
- Construcción de una red neuronal artificial
- Comprensión de nodos y conexiones neuronales
- Trabajo con neuronas, capas y datos de entrada y salida
- Comprensión de los perceptrones de una sola capa
- Diferencias entre aprendizaje supervisado y no supervisado
- Aprendizaje de redes neuronales de propagación hacia adelante y retroalimentación
- Comprensión de la propagación hacia adelante y la retropropagación
Construcción de modelos simples de aprendizaje profundo con Keras
- Creación de un modelo en Keras
- Comprensión de los datos
- Especificación del modelo de aprendizaje profundo
- Compilación del modelo
- Ajuste del modelo
- Trabajo con datos de clasificación
- Trabajo con modelos de clasificación
- Uso de los modelos
Trabajo con TensorFlow para aprendizaje profundo
-
Preparación de los datos
- Descarga de los datos
- Preparación de los datos de entrenamiento
- Preparación de los datos de prueba
- Escalado de entradas
- Uso de marcadores de posición (placeholders) y variables
- Especificación de la arquitectura de la red
- Uso de la función de costo
- Uso del optimizador
- Uso de inicializadores
- Ajuste de la red neuronal
-
Construcción del grafo
- Inferencia
- Pérdida (Loss)
- Entrenamiento
-
Entrenamiento del modelo
- El grafo
- La sesión
- Bucle de entrenamiento (Train Loop)
-
Evaluación del modelo
- Construcción del grafo de evaluación
- Evaluación con la salida de evaluación
- Entrenamiento de modelos a escala
- Visualización y evaluación de modelos con TensorBoard
Aplicación del aprendizaje profundo en la detección de anomalías
-
Autoencoder
- Arquitectura codificador-decodificador
- Pérdida de reconstrucción
-
Autoencoder variacional
- Inferencia variacional
-
Red Generativa Adversarial (GAN)
- Arquitectura generador-discriminador
- Enfoques para la detección de anomalías utilizando GAN
Marcos de trabajo de conjuntos (Ensemble Frameworks)
- Combinación de resultados de diferentes métodos
- Bootstrap Aggregating (Bagging)
- Promedio de puntuaciones de valores atípicos
Requerimientos
- Experiencia en programación con Python
- Conocimientos básicos de estadística y conceptos matemáticos
Público objetivo
- Desarrolladores
- Científicos de datos
28 Horas
Testimonios (5)
La capacitación proporcionó una interesante visión general de los modelos de aprendizaje profundo y métodos relacionados. El tema era bastante nuevo para mí, pero ahora siento que realmente tengo una idea de lo que puede implicar la IA y el ML, qué consisten estos términos y cómo pueden ser utilizados con ventaja. En general, me gustó el enfoque de comenzar con el fondo estadístico y los modelos de aprendizaje básicos, como la regresión lineal, especialmente enfatizando los ejercicios intermedios.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
Ana siempre preguntaba si había alguna pregunta y constantemente intentaba hacernos más activos planteando cuestiones, lo que nos involucraba a todos realmente en el entrenamiento.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
Me gustó la forma en que se integra con las prácticas.
Bertan - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
La extensa experiencia / conocimiento del formador
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
la VM es una buena idea
Vincent - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
