Ponte en Contacto

Temario del curso

Aprendizaje supervisado: clasificación y regresión

  • Aprendizaje automático en Python: introducción a la API de scikit-learn
    • regresión lineal y logística
    • máquina de vectores de soporte (SVM)
    • redes neuronales
    • bosque aleatorio (random forest)
  • Configuración de un pipeline de aprendizaje supervisado de extremo a extremo utilizando scikit-learn
    • trabajo con archivos de datos
    • imputación de valores faltantes
    • manejo de variables categóricas
    • visualización de datos

Frameworks de Python para aplicaciones de IA:

  • TensorFlow, Theano, Caffe y Keras
  • IA a escala con Apache Spark: Mlib

Arquitecturas avanzadas de redes neuronales

  • redes neuronales convolucionales para el análisis de imágenes
  • redes neuronales recurrentes para datos estructurados en el tiempo
  • celda de memoria a largo plazo (LSTM)

Aprendizaje no supervisado: agrupamiento, detección de anomalías

  • implementación del análisis de componentes principales con scikit-learn
  • implementación de autoencodedors en Keras

Ejemplos prácticos de problemas que la IA puede resolver (ejercicios prácticos utilizando cuadernos Jupyter), por ejemplo:

  • análisis de imágenes
  • pronóstico de series financieras complejas, como los precios de acciones,
  • reconocimiento de patrones complejos
  • procesamiento del lenguaje natural
  • sistemas de recomendación

Comprensión de las limitaciones de los métodos de IA: modos de fallo, costos y dificultades comunes

  • sobreajuste (overfitting)
  • compromiso entre sesgo y varianza (bias/variance trade-off)
  • sesgos en datos observacionales
  • envenenamiento de redes neuronales

Trabajo de proyecto aplicado (opcional)

Requerimientos

No se requieren conocimientos específicos para asistir a este curso.

 28 Horas

Número de participantes


Precio por participante

Reseñas (2)

Próximos cursos

Categorías Relacionadas