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 vs. Aprendizaje automático
- Iteración y evaluación
- Compromiso entre sesgo y varianza
- Aprendizaje supervisado vs. No supervisado
- Problemas resueltos con el Aprendizaje Automático
- Entrenamiento, Validación y Prueba - Flujo de trabajo del ML para evitar el sobreajuste
- Flujo de trabajo del Aprendizaje Automático
- Algoritmos de aprendizaje automático
- Elección del algoritmo adecuado para el problema
Evaluación de Algoritmos
-
Evaluación de predicciones numéricas
- Medidas de precisión: ME, MSE, RMSE, MAPE
- Estabilidad del parámetro y la predicción
-
Evaluación de algoritmos de clasificación
- Precisión y sus problemas
- Matriz de confusión
- Problema de clases desequilibradas
-
Visualización del rendimiento del modelo
- Curva de ganancia (profit curve)
- Curva ROC
- Curva de elevación (lift curve)
- Selección del modelo
- Ajuste del modelo - estrategias de búsqueda en cuadrícula (grid search)
Preparación de datos para Modelado
- Importación y almacenamiento de datos
- Comprender los datos - exploraciones básicas
- Manipulación de datos con la biblioteca pandas
- Transformaciones de datos - Limpieza y preparación de datos (data wrangling)
- Análisis exploratorio
- Observaciones faltantes - detección y soluciones
- Valores atípicos - detección y estrategias
- Estandarización, normalización, binarización
- Recodificación de datos cualitativos
Algoritmos de Aprendizaje Automático para la Detección de Valores Atípicos
-
Algoritmos supervisados
- KNN
- Boosting de Gradiente en Conjunto (Ensemble Gradient Boosting)
- SVM
-
Algoritmos no supervisados
- Basados en distancia
- Métodos basados en densidad
- Métodos probabilísticos
- Métodos basados en modelos
Comprensión del Aprendizaje Profundo
- Resumen de los Conceptos Básicos del Aprendizaje Profundo
- Diferenciación entre el Aprendizaje Automático y el Aprendizaje Profundo
- Resumen de las Aplicaciones del Aprendizaje Profundo
Resumen de Redes Neuronales
- ¿Qué son las Redes Neuronales?
- Redes Neuronales vs Modelos de Regresión
- Comprender los Fundamentos Matemáticos y los Mecanismos de Aprendizaje
- Construcción de una Red Neuronal Artificial
- Comprender los Nodos Neuronales y las Conexiones
- Trabajo con Neuronas, Capas y Datos de Entrada y Salida
- Comprender los Perceptrones de una Capa Simple
- Diferencias entre Aprendizaje Supervisado y No Supervisado
- Aprendizaje de Redes Neuronales Feedforward y Feedback
- Comprender la Propagación hacia Adelante y Hacia Atrás (Forward Propagation and Back Propagation)
Construcción de Modelos Simples de Aprendizaje Profundo con Keras
- Creación de un Modelo Keras
- Comprender Sus Datos
- Especificar Su Modelo de Aprendizaje Profundo
- Compilar Su Modelo
- Ajustar Su Modelo
- Trabajo con Datos de Clasificación
- Trabajo con Modelos de Clasificación
- Uso de Sus Modelos
Trabajo con TensorFlow para el Aprendizaje Profundo
-
Preparación de los Datos
- Descarga de los Datos
- Preparación de Datos de Entrenamiento
- Preparación de Datos de Prueba
- Escalamiento de Entradas
- Uso de Marcadores de Posición 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
- Entrenamiento
-
Entrenamiento del Modelo
- El Grafo
- La Sesión
- Bucle de Entrenamiento
-
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 de AN utilizando GAN
Marcos de Ensemble
- Combinación de resultados de diferentes métodos
- Agregación Bootstrap
- Promedio de la puntuación de valores atípicos
Requerimientos
- Experiencia en programación con Python
- Familiaridad básica con estadísticas 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
