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
- Compensación entre sesgo y varianza
- Aprendizaje supervisado vs. 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 problemas
- La matriz de confusión
- Problema de clases desbalanceadas
-
Visualización del rendimiento del modelo
- Curva de ganancia
- Curva ROC
- Curva de elevación (Lift)
- Selección de modelos
- Ajuste de modelos – estrategias de búsqueda en cuadrícula
Preparación de datos para modelado
- Importación y almacenamiento de datos
- Comprensión de los datos – exploraciones básicas
- Manipulación de datos con la librería pandas
- Transformaciones de datos – manipulación de datos
- Análisis exploratorio
- Observaciones faltantes – detección y soluciones
- Valores atípicos – detección y estrategias
- Estandarización, normalización, binarización
- Recodificación de datos cualitativos
Algoritmos de aprendizaje automático para detección de valores atípicos
-
Algoritmos supervisados
- KNN (K vecinos más cercanos)
- Ensemble Gradient Boosting
- SVM (Máquinas de Vectores de Soporte)
-
Algoritmos no supervisados
- Basados en distancia
- Métodos basados en densidad
- Métodos probabilísticos
- Métodos basados en modelos
Comprensión del Aprendizaje Profundo
- Descripción general de los conceptos básicos del aprendizaje profundo
- Diferenciación entre Aprendizaje Automático y Aprendizaje Profundo
- Descripción general de las aplicaciones del aprendizaje profundo
Descripción general de las Redes Neuronales
- ¿Qué son las Redes Neuronales?
- Redes Neuronales vs. Modelos de Regresión
- Comprensión de los fundamentos matemáticos y mecanismos de aprendizaje
- Construcción de una Red Neuronal Artificial
- Comprensión de los nodos y conexiones neuronales
- Trabajo con neuronas, capas y datos de entrada y salida
- Comprensión de los Perceptrones de Capa Única
- Diferencias entre Aprendizaje Supervisado y No Supervisado
- Aprendizaje de Redes Neuronales Feedforward y Feedback
- Comprensión de la propagación hacia adelante y hacia atrás
Construcción de Modelos Simples de Aprendizaje Profundo con Keras
- Creación de un modelo en Keras
- Comprensión de los datos
- Especificación de su modelo de aprendizaje profundo
- Compilación de su modelo
- Ajuste de su modelo
- Trabajo con datos de clasificación
- Trabajo con modelos de clasificación
- Uso de sus 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 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 gráfico
- Inferencia
- Pérdida (Loss)
- Entrenamiento
-
Entrenamiento del modelo
- El gráfico
- La sesión
- Bucle de entrenamiento
-
Evaluación del modelo
- Construcción del gráfico de evaluación
- Evaluación con 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 Antagónica (GAN)
- Arquitectura Generador - Discriminador
- Enfoques de detección de anomalías usando GAN
Marcos de trabajo de conjunto (Ensemble)
- Combinación de resultados de diferentes métodos
- Agregado por Bootstrap (Bootstrap Aggregating / Bagging)
- Promedio de puntuaciones de valores atípicos
Requerimientos
- Experiencia con programación en Python
- Familiaridad básica con conceptos estadísticos y matemáticos
Audiencia 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
