Programa del Curso

Aprendizaje supervisado: clasificación y regresión

  • Machine Learning en Python: introducción a la API de scikit-learn
    • Regresión lineal y logística
    • máquina de vectores de soporte
    • Redes neuronales
    • Bosque aleatorio
  • Configuración de una canalización de aprendizaje supervisado de extremo a extremo mediante scikit-learn
    • Trabajar con archivos de datos
    • Imputación de valores faltantes
    • Manejo de variables categóricas
    • Visualización de datos

Python Marcos para aplicaciones de IA:

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

Arquitecturas de redes neuronales avanzadas

  • Redes neuronales convolucionales para el análisis de imágenes
  • Redes neuronales recurrentes para datos estructurados en el tiempo
  • La célula de la memoria a corto plazo

Aprendizaje no supervisado: agrupación, detección de anomalías

  • Implementación del análisis de componentes principales con SCIKIT-LEARN
  • Implementación de autocodificadores en Keras

Ejemplos prácticos de problemas que la IA puede resolver (ejercicios prácticos con cuadernos Jupyter), p. ej. 

  • análisis de imágenes
  • predicción de series financieras complejas, como los precios de las acciones,
  • Reconocimiento de patrones complejos
  • Procesamiento del lenguaje natural
  • Sistemas de recomendación

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

  • Sobreajuste
  • Compensación entre sesgo/varianza
  • Sesgos en los datos observacionales
  • Envenenamiento de redes neuronales

Trabajo de proyecto aplicado (opcional)

Requerimientos

No se necesitan requisitos específicos para asistir a este curso.

 28 horas

Número de participantes


Precio por participante

Testimonios (2)

Próximos cursos

Categorías Relacionadas