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 frente a Aprendizaje Automático.
- Iteración y evaluación.
- Compromiso entre sesgo y varianza (Bias-Variance trade-off).
- Aprendizaje supervisado frente a no supervisado.
- Problemas resueltos con Aprendizaje Automático.
- Flujo de trabajo de validación y prueba del ML para evitar el sobreajuste (overfitting).
- Flujo de trabajo del Aprendizaje Automático.
- Algoritmos de aprendizaje automático.
- Selección del algoritmo apropiado 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 limitaciones.
- La matriz de confusión.
- Problema de clases desequilibradas.
-
Visualización del rendimiento del modelo:
- Curva de beneficios (Profit curve).
- Curva ROC.
- Curva Lift.
- Selección de modelos.
- Ajuste de modelos (Model tuning) – Estrategias de búsqueda en cuadrícula (grid search).
Preparación de datos para el modelado
- Importación y almacenamiento de datos.
- Comprensión de los datos – Exploraciones básicas.
- Manipulación de datos con la biblioteca pandas.
- Transformación de datos – Manipulación y preparación (Data wrangling).
- Análisis exploratorio.
- Observaciones faltantes – Detección y soluciones.
- Valores atípicos (Outliers) – Detección y estrategias.
- Estandarización, normalización y binarización.
- Recodificación de datos cualitativos.
Algoritmos de aprendizaje automático para la detección de valores atípicos
-
Algoritmos supervisados:
- KNN (K-Nearest Neighbors / Vecinos más cercanos).
- Gradient Boosting en conjunto.
- SVM (Support Vector Machines / Máquinas de Vectores de Soporte).
-
Algoritmos no supervisados:
- Basados en distancias.
- Métodos basados en densidad.
- Métodos probabilísticos.
- Métodos basados en modelos.
Comprensión del Aprendizaje Profundo
- Visión general de los conceptos básicos del aprendizaje profundo.
- Diferenciación entre aprendizaje automático y aprendizaje profundo.
- Visión general de las aplicaciones del aprendizaje profundo.
Visión general de las redes neuronales
- ¿Qué son las redes neuronales?
- Redes neuronales frente a modelos de regresión.
- Comprensión de los fundamentos matemáticos y mecanismos de aprendizaje.
- Construcción de una red neuronal artificial.
- Comprensión de los nodos neuronales y las conexiones.
- Trabajo con neuronas, capas y datos de entrada/salida.
- Comprensión de los perceptrones de una sola capa.
- Diferencias entre el aprendizaje supervisado y no supervisado.
- Aprendizaje de redes neuronales feedforward (de alimentación hacia adelante) y feedback (retroalimentación).
- Comprensión de la propagación hacia adelante (forward propagation) y hacia atrás (backpropagation).
Construcción de modelos simples de aprendizaje profundo con Keras
- Creación de un modelo en Keras.
- Comprensión de los datos.
- Especificación del modelo de aprendizaje profundo.
- Compilación del modelo.
- Ajuste (entrenamiento) del modelo.
- Trabajo con datos de clasificación.
- Trabajo con modelos de clasificación.
- Uso de los modelos.
Trabajo con TensorFlow para el aprendizaje profundo
-
Preparación de los datos:
- Descarga de los datos.
- Preparación de los datos de entrenamiento.
- Preparación de los datos de prueba.
- Escalamiento de las 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 (Initializers).
- Ajuste (entrenamiento) de la red neuronal.
-
Construcción del gráfico:
- Inferencia.
- Pérdida (Loss).
- Entrenamiento.
-
Entrenamiento del modelo:
- El gráfico (Graph).
- La sesión (Session).
- Bucle de entrenamiento.
-
Evaluación del modelo:
- Construcción del gráfico de evaluación (Eval Graph).
- Evaluación con salidas de evaluación.
- Entrenamiento de modelos a gran escala.
- Visualización y evaluación de modelos con TensorBoard.
Aplicación del aprendizaje profundo en la detección de anomalías
-
Autoencoder (Codificador automático):
- Arquitectura codificador-decodificador.
- Pérdida de reconstrucción.
-
Variational Autoencoder (Codificador automático variacional):
- Inferencia variacional.
-
Generative Adversarial Network (Red generativa adversaria, GAN):
- Arquitectura generador-discriminador.
- Enfoques para AN utilizando GAN. (Nota: "AN" se refiere a Anomaly Detection en este contexto).
Marcos de trabajo de conjunto (Ensemble Frameworks)
- Combinación de resultados de diferentes métodos.
- Agregado por remuestreo (Bootstrap Aggregating o Bagging).
- Promedio de puntuaciones de valores atípicos.
Requerimientos
- Experiencia con la programación en Python.
- Conocimientos básicos de estadística y conceptos matemáticos.
Audiencia Objetivo
- Desarrolladores.
- Científicos de datos.
28 Horas
Reseñas (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
