Temario del curso
Aprendizaje Automático
Introducción al Aprendizaje Automático
- Aplicaciones del aprendizaje automático
- Aprendizaje supervisado versus no supervisado
- Algoritmos de aprendizaje automático
- Regresión
- Clasificación
- Agrupamiento
- Sistemas de recomendación
- Detección de anomalías
- Aprendizaje por refuerzo
Regresión
- Regresión Simple y Múltiple
- Método de Mínimos Cuadrados
- Estimación de los coeficientes
- Evaluación de la precisión de las estimaciones de los coeficientes
- Evaluación de la precisión del modelo
- Análisis post-estimación
- Otras consideraciones en los modelos de regresión
- Predictores cualitativos
- Extensiones de los modelos lineales
- Problemas potenciales
- Compensación entre sesgo y varianza (subajuste/sobreactajuste) para modelos de regresión
Métodos de remuestreo
- Validación cruzada
- Enfoque del conjunto de validación
- Validación cruzada de dejar uno fuera
- Validación cruzada de k pliegues
- Compensación entre sesgo y varianza para k pliegues
- El Bootstrap
Selección de modelos y regularización
- Selección de subconjuntos
- Selección del mejor subconjunto
- Selección paso a paso
- Elección del modelo óptimo
- Métodos de contracción o regularización
- Regresión Ridge
- Lasso y Elastic Net
- Selección del parámetro de ajuste
- Métodos de reducción de dimensionalidad
- Regresión de componentes principales
- Mínimos cuadrados parciales
Clasificación
Regresión logística
- La función de costo del modelo logístico
- Estimación de los coeficientes
- Realización de predicciones
- Relación de probabilidades (Odds Ratio)
- Matrices de evaluación del rendimiento
- Sensibilidad/Especificidad/VP/NV
- Precisión
- Curva ROC
- Regresión logística múltiple
- Regresión logística para >2 clases de respuesta
- Regresión logística regularizada
Análisis discriminante lineal
- Uso del Teorema de Bayes para clasificación
- Análisis discriminante lineal para p=1
- Análisis discriminante lineal para p>1
Análisis discriminante cuadrático
Vecinos más cercanos (K-NN)
- Clasificación con fronteras de decisión no lineales
Máquinas de vectores de soporte (SVM)
- Objetivo de optimización
- El clasificador de margen máximo
- Kernel
- Clasificación uno contra uno
- Clasificación uno contra todos
Comparación de métodos de clasificación
Aprendizaje Profundo
Introducción al Aprendizaje Profundo
Redes Neuronales Artificiales (RNA)
- Neuronas biológicas y neuronas artificiales
- Hipótesis no lineal
- Representación del modelo
- Ejemplos e intuiciones
- Función de transferencia / Funciones de activación
- Clases típicas de arquitecturas de red
- RNA feedforward
- Redes feedforward multicapa
- Algoritmo de retropropagación
- Retropropagación: entrenamiento y convergencia
- Aproximación funcional con retropropagación
- Problemas prácticos y de diseño en el aprendizaje por retropropagación
Aprendizaje Profundo
- Inteligencia Artificial y Aprendizaje Profundo
- Regresión Softmax
- Aprendizaje autoenseñado
- Redes profundas
- Demuestraciones y aplicaciones
Laboratorio:
Primeros pasos con R
- Introducción a R
- Comandos y bibliotecas básicas
- Manipulación de datos
- Importación y exportación de datos
- Resúmenes gráficos y numéricos
- Escritura de funciones
Regresión
- Regresión lineal simple y múltiple
- Términos de interacción
- Transformaciones no lineales
- Regresión con variables dummy
- Validación cruzada y Bootstrap
- Métodos de selección de subconjuntos
- Penalización (Ridge, Lasso, Elastic Net)
Clasificación
- Regresión logística, LDA, QDA y KNN
- Remuestreo y regularización
- Máquinas de vectores de soporte
Notas:
- Para los algoritmos de aprendizaje automático, se utilizarán estudios de caso para discutir su aplicación, ventajas y problemas potenciales.
- Se realizará el análisis de diferentes conjuntos de datos utilizando R.
Requerimientos
- Se desea tener conocimientos básicos de conceptos estadísticos
Público objetivo
- Científicos de datos
- Ingenieros de aprendizaje automático
- Desarrolladores de software interesados en la IA
- Investigadores que trabajan con modelado de datos
- Profesionales que buscan aplicar el aprendizaje automático en negocios o la industria
Testimonios (6)
Hicimos un repaso sobre Aprendizaje Automático, Redes Neuronales y IA con ejemplos prácticos.
Catalin - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Traducción Automática
Último día con la IA
Ovidiu - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Traducción Automática
Los ejemplos que se seleccionaron, compartieron con nosotros y explicaron
Cristina - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Traducción Automática
I really enjoyed the coverage and depth of topics.
Anirban Basu
Curso - Machine Learning and Deep Learning
Traducción Automática
The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.
Jean-Paul van Tillo
Curso - Machine Learning and Deep Learning
Traducción Automática
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company.
Sebastiaan Holman
Curso - Machine Learning and Deep Learning
Traducción Automática
