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.
Programa del Curso
Introducción al Aprendizaje Automático Aplicado
- Aprendizaje estadístico vs. Aprendizaje automático
- Iteración y evaluación
- Equilibrio entre sesgo y varianza (Bias-Variance trade-off)
- Aprendizaje supervisado vs. Aprendizaje no supervisado
- Problemas resueltos con el Aprendizaje automático
- Entrenamiento, validación y prueba – Flujo de trabajo de ML para evitar el sobreajuste (overfitting)
- Flujo de trabajo del Aprendizaje automático
- Algoritmos de aprendizaje automático
- Elección del algoritmo adecuado para el problema
Evaluación de Algoritmos
-
Evaluando predicciones numéricas
- Medidas de precisión: ME, MSE, RMSE, MAPE
- Estabilidad del parámetro y la predicción
-
Evaluando algoritmos de clasificación
- Precisión y sus problemas
- Matriz de confusión (confusion matrix)
- Problema de clases desbalanceadas (unbalanced classes problem)
-
Visualización del rendimiento del modelo
- Curva de ganancia (profit curve)
- Curva ROC
- Curva lift
- Selección del modelo
- Ajuste de modelos – Estrategias de búsqueda en cuadrícula (grid search strategies)
Preparación de datos para modelado
- Importación y almacenamiento de datos
- Entender los datos – Exploraciones básicas
- Manipulación de datos con la biblioteca pandas
- Transformaciones de datos – Acondicionamiento 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 (outliers)
-
Algoritmos supervisados
- KNN (K-Nearest Neighbors)
- Ensemble Gradient Boosting (Gradiente de impulso en conjunto)
- SVM (Support Vector Machine)
-
Algoritmos no supervisados
- Basados en distancia (distance-based)
- Métodos basados en densidad (density based methods)
- Métodos probabilísticos (probabilistic methods)
- Métodos basados en modelos (model based methods)
Comprensión del Aprendizaje Profundo (Deep Learning)
- Visión general de los conceptos básicos del Aprendizaje Profundo
- Diferenciación entre Aprendizaje automático y Aprendizaje profundo (Deep Learning)
- Visión general de las aplicaciones del Aprendizaje profundo (Deep Learning)
Visión General de Redes Neuronales (Neural Networks)
- ¿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 (Artificial Neural Network)
- Entendimiento de los nodos neuronales y conexiones (Neural Nodes and Connections)
- Trabajo con neuronas, capas y datos de entrada y salida (Input and Output Data)
- Comprensión de perceptrones de una sola capa (Single Layer Perceptrons)
- Diferencias entre aprendizaje supervisado y no supervisado (Supervised and Unsupervised Learning)
- Aprendiendo redes neuronales de alimentación hacia adelante y retroalimentación (Feedforward and Feedback Neural Networks)
- Entendimiento de la propagación hacia delante y hacia atrás (Forward Propagation and Back Propagation)
Construcción de Modelos de Aprendizaje Profundo Simples con Keras
- Creación de un modelo Keras (Creating a Keras Model)
- Entendimiento de tus datos (Understanding Your Data)
- Especificación de tu modelo de Aprendizaje Profundo (Specifying Your Deep Learning Model)
- Compilación de tu modelo (Compiling Your Model)
- Entrenamiento de tu modelo (Fitting Your Model)
- Trabajo con tus datos de clasificación (Working with Your Classification Data)
- Trabajo con modelos de clasificación (Working with Classification Models)
- Uso de tus modelos (Using Your Models)
Trabajando con TensorFlow para el Aprendizaje Profundo (Deep Learning)
-
Preparación de los datos (Preparing the Data)
- Descarga de los datos (Downloading the Data)
- Preparación de los datos de entrenamiento (Preparing Training Data)
- Preparación de los datos de prueba (Preparing Test Data)
- Escalado de entradas (Scaling Inputs)
- Uso de placeholders y variables (Using Placeholders and Variables)
- Especificación de la arquitectura de la red (Specifying the Network Architecture)
- Uso de la función de costo (Using the Cost Function)
- Uso del optimizador (Using the Optimizer)
- Uso de inicializadores (Using Initializers)
- Entrenamiento de la red neuronal (Fitting the Neural Network)
-
Construcción del grafo (Building the Graph)
- Inferencia (Inference)
- Pérdida (Loss)
- Entrenamiento (Training)
-
Entrenamiento del modelo (Training the Model)
- El grafo (The Graph)
- La sesión (The Session)
- Bucle de entrenamiento (Train Loop)
-
Evaluación del modelo (Evaluating the Model)
- Construcción del grafo de evaluación (Building the Eval Graph)
- Evaluación con salida de evaluación (Evaluating with Eval Output)
- Entrenamiento de modelos a escala (Training Models at Scale)
- Visualización y evaluación de modelos con TensorBoard (Visualizing and Evaluating Models with TensorBoard)
Aplicación del Aprendizaje Profundo en la Detección de Anomalías (Anomaly Detection)
-
Autoencoder
- Arquitectura codificador-decodificador (Encoder - Decoder Architecture)
- Pérdida de reconstrucción (Reconstruction loss)
-
Variational Autoencoder
- Inferencia variacional (Variational inference)
-
Red Generativa Antagonista (Generative Adversarial Network)
- Arquitectura generador-discriminador (Generator – Discriminator architecture)
- Enfoques a la detección de anomalías utilizando GAN (Approaches to AN using GAN)
Marco de Trabajo por Consenso (Ensemble Frameworks)
- Combinación de resultados de diferentes métodos (Combining results from different methods)
- Agregación bootstrap (Bootstrap Aggregating)
- Promedio de la puntuación de valores atípicos (Averaging outlier score)
Requerimientos
- Experiencia con la programación en Python
- Conocimientos básicos de estadística y conceptos matemáticos
Audiencia
- Desarrolladores
- Científicos de datos
28 Horas
Testimonios (5)
La capacitación proporcionó una visión general interesante de los modelos de aprendizaje profundo y los métodos relacionados. El tema era bastante nuevo para mí, pero ahora siento que realmente tengo una idea de lo que pueden implicar la IA y el ML, en qué consisten estos términos y cómo se pueden usar de manera ventajosa. En general, me gustó el enfoque de comenzar con el fondo estadístico y los modelos básicos de aprendizaje, como la regresión lineal, haciendo especial hincapié en los ejercicios intermedios.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
Anna siempre estaba preguntando si había preguntas, y siempre trataba de hacernos más activos planteando preguntas, lo que hizo que todos nos involucráramos realmente en la capacitación.
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 mezcla con las prácticas.
Bertan - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
La amplia 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
