Programa del Curso

Introducción

Esta sección proporciona una introducción general de cuándo usar el "aprendizaje automático", qué se debe considerar y qué significa todo, incluidos los pros y los contras. Tipos de datos (estructurados / no estructurados / estáticos / transmitidos), validez / volumen de datos, análisis basados en datos vs impulsados por el usuario, modelos estadísticos frente a modelos de aprendizaje automático / desafíos del aprendizaje no supervisado, compensación de varianza de sesgo, iteración / evaluación, enfoques de validación cruzada, supervisados / no supervisados / refuerzo.

TEMAS PRINCIPALES

1. Comprender al Bayes ingenuo

  • Conceptos básicos de los métodos bayesianos
  • Probabilidad
  • Probabilidad conjunta
  • Probabilidad condicional con teorema de Bayes
  • El ingenuo algoritmo de Bayes
  • La ingenua clasificación de Bayes
  • El estimador de Laplace
  • Uso de características numéricas con Bayes ingenuo

2. Comprender los árboles de decisión

  • Divide y vencerás
  • El algoritmo del árbol de decisión C5.0
  • Elegir el mejor split
  • Poda del árbol de decisión

3. Comprender las redes neuronales

  • De las neuronas biológicas a las artificiales
  • Funciones de activación
  • Topología de red
  • El número de capas
  • La dirección del viaje de información
  • El número de nodos en cada capa
  • Entrenamiento de redes neuronales con retropropagación
  • Deep Learning

4. Comprender las máquinas de vectores de soporte

  • Clasificación con hiperplanos
  • Encontrar el margen máximo
  • El caso de los datos linealmente separables
  • El caso de los datos no separables linealmente
  • Uso de núcleos para espacios no lineales

5. Comprensión de la agrupación en clústeres

  • Agrupación en clústeres como tarea de aprendizaje automático
  • El algoritmo k-means para la agrupación en clústeres
  • Uso de la distancia para asignar y actualizar clústeres
  • Elegir el número adecuado de clústeres

6. Medición del rendimiento para la clasificación

  • Trabajar con datos de predicción de clasificación
  • Una mirada más cercana a las matrices de confusión
  • Uso de matrices de confusión para medir el rendimiento
  • Más allá de la precisión: otras medidas de rendimiento
  • La estadística kappa
  • Sensibilidad y especificidad
  • Precisión y recuperación
  • La medida F
  • Visualización de las compensaciones de rendimiento
  • Curvas ROC
  • Estimación del rendimiento futuro
  • El método de retención
  • Validación cruzada
  • Bootstrap muestreo

7. Ajuste de los modelos de stock para un mejor rendimiento

  • Uso de la intercalación para el ajuste automatizado de parámetros
  • Creación de un modelo ajustado simple
  • Personalización del proceso de ajuste
  • Mejora del rendimiento del modelo con metaaprendizaje
  • Entendiendo los conjuntos
  • Embolsado
  • Impulsar
  • Bosques aleatorios
  • Entrenamiento de bosques aleatorios
  • Evaluación del rendimiento aleatorio del bosque

TEMAS MENORES

8. Comprender la clasificación utilizando los vecinos más cercanos

  • El algoritmo kNN
  • Cálculo de la distancia
  • Elegir un k apropiado
  • Preparación de datos para su uso con kNN
  • ¿Por qué el algoritmo kNN es perezoso?

9. Comprender las reglas de clasificación

  • Separa y conquista
  • El algoritmo One Rule
  • El algoritmo RIPPER
  • Reglas de los árboles de decisión

10. Comprender la regresión

  • Regresión lineal simple
  • Estimación de mínimos cuadrados ordinarios
  • Correlaciones
  • Regresión lineal múltiple

11. Comprender los árboles de regresión y los árboles modelo

  • Agregar regresión a los árboles

12. Comprender las reglas de asociación

  • El algoritmo a priori para el aprendizaje de reglas de asociación
  • Medición del interés de las reglas: apoyo y confianza
  • Construir un conjunto de reglas con el principio de Apriori

Extras

  • Spark/PySpark/MLlib y bandidos multiarmados
  21 horas
 

Número de participantes


Comienza

Termina


Dates are subject to availability and take place between 09:30 and 16:30.
Los cursos de formación abiertos requieren más de 5 participantes.

Testimonios (5)

Cursos Relacionados

Categorías Relacionadas