AVC Machine Learning - eLearning
450,00 EUR
Este curso en línea ofrece una visión detallada de temas de aprendizaje automático, incluyendo el trabajo con datos en tiempo real, el desarrollo de algoritmos utilizando aprendizaje supervisado y no supervisado, regresión, clasificación y modelado de series temporales. También aprenderás a usar Python para obtener predicciones a partir de los datos.
Programa del Curso
Introducción al curso
Lección 01
- Introducción al curso.
Introducción a la IA y el Aprendizaje Automático
Lección 02
- Objetivos de aprendizaje
- La aparición de la Inteligencia Artificial
- Inteligencia Artificial en la Práctica
- Películas de ciencia ficción con el concepto de IA
- Sistemas de recomendación
- Relación entre Inteligencia Artificial, Aprendizaje Automático y Ciencia de Datos - Parte A
- Relación entre Inteligencia Artificial, Aprendizaje Automático y Ciencia de Datos - Parte B
- Definición y características del aprendizaje automático
- Enfoques de Aprendizaje Automático
- Técnicas de Aprendizaje Automático
- Aplicaciones del Aprendizaje Automático - Parte A
- Aplicaciones del Aprendizaje Automático - Parte B
- Puntos clave
Preprocesamiento de Datos
Lección 03
- Objetivo de aprendizaje
- Exploración de Datos: Cargando Archivos
- Demostración: Importación y Almacenamiento de Datos
- Práctica: Exploración de Datos de Automóviles I
- Técnicas de Exploración de Datos: Parte 1
- Técnicas de Exploración de Datos: Parte 2
- Seaborn
- Demostración: Análisis de Correlación
- Práctica: Exploración de Datos de Automóviles II
- Procesamiento de Datos
- Valores faltantes en un conjunto de datos
- Valores atípicos en un conjunto de datos
- Demostración: Tratamiento de Valores Atípicos y Valores Perdidos
- Práctica: Exploración de Datos III
- Manipulación de datos
- Funcionalidades del Objeto de Datos en Python: Parte A
- Funcionalidades del Objeto de Datos en Python: Parte B
- Tipos de uniones diferentes
- Conversión de tipos
- Demostración: Comparación de Horas de Trabajo
- Práctica: Manipulación de datos
- Puntos clave
- Proyecto de fin de lección: Almacenamiento de Resultados de Exámenes
Aprendizaje supervisado
Lección 04
- Objetivos de aprendizaje
- Aprendizaje supervisado
- Aprendizaje supervisado - Escenario de la vida real
- Entendiendo el algoritmo
- Flujo de Aprendizaje Supervisado
- Tipos de Aprendizaje Supervisado – Parte A
- Tipos de Aprendizaje Supervisado – Parte B
- Tipos de algoritmos de clasificación
- Tipos de Algoritmos de Regresión - Parte A
- Caso de uso de regresión
- Métricas de Precisión
- Función de Costo
- Evaluando Coeficientes
- Demostración: Regresión Lineal
- Práctica: Casas de Boston I
- Desafíos en la predicción
- Tipos de Algoritmos de Regresión - Parte B
- Demostración: Bigmart
- Práctica: Casas de Boston II
- Regresión Logística - Parte A
- Regresión Logística - Parte B
- Probabilidad Sigmoid
- Matriz de Precisión
- Demostración: Supervivencia de los pasajeros del Titanic
- Práctica: Especies de Iris
- Puntos clave
- Proyecto de fin de lección: Coste del Seguro de Salud
Ingeniería de funciones
Lección 05
- Objetivos de aprendizaje
- Selección de Características
- Regresión
- Análisis de Factores
- Proceso de Análisis de Factores
- Análisis de Componentes Principales (ACP)
- Primer Componente Principal
- Valores propios y ACP
- Demostración: Reducción de Características
- Práctica: Transformación de PCA
- Análisis Discriminante Lineal
- Línea Máxima Separable
- Encuentra la línea de separación máxima
- Demostración: Reducción de Características Etiquetadas
- Práctica: Transformación LDA
- Puntos clave
- Proyecto de fin de lección: Simplificación del tratamiento del cáncer
Aprendizaje Supervisado: Clasificación
Lección 06
- Objetivos de aprendizaje
- Visión general de la clasificación
- Clasificación: Un algoritmo de aprendizaje supervisado
- Casos de uso
- Algoritmos de Clasificación
- Árbol de Decisión: Clasificador
- Árbol de Decisión: Ejemplos
- Árbol de Decisión: Formación
- Elección del Clasificador
- Sobreajuste de los Árboles de Decisión
- Clasificador de Bosque Aleatorio - Agregación y Muestreo con Reemplazo
- Árbol de Decisión y Clasificador de Bosque Aleatorio
- Medidas de Rendimiento: Matriz de Confusión
- Medidas de Rendimiento: Matriz de Costes
- Demostración: Supervivencia del Caballo
- Práctica: Análisis de Riesgo de Préstamos
- Clasificador Bayesiano Nativo
- Pasos para calcular la probabilidad posterior: Parte A
- Pasos para calcular la probabilidad posterior: Parte B
- Máquinas de Vectores de Soporte: Separabilidad Lineal
- Máquinas de Vectores de Soporte: Margen de Clasificación
- SVM lineal: Representación matemática
- SVM no lineales
- El Truco del Núcleo
- Demostración: Clasificación de Voz
- Práctica: Clasificación de Colegios
- Puntos clave
- Proyecto de fin de lección: Clasificar datos cinemáticos
Modelado de Series Temporales
Lección 07
- Objetivos de aprendizaje
- Visión general, ejemplo y aplicaciones del aprendizaje no supervisado
- Agrupamiento Clustering Jerárquico
- Agrupamiento Jerárquico: Ejemplo
- Demostración: Agrupamiento de Animales
- Práctica: Segmentación de Clientes
- Agrupamiento K-medias
- Número Óptimo de Agrupaciones
- Demostración: Incentivación basada en clústeres
- Práctica: Segmentación de Imágenes
- Conclusiones clave
- Proyecto de fin de lección: Agrupamiento de datos de imágenes
Modelado de series temporales
Lección 08
- Objetivos de aprendizaje
- Visión general del modelado de series temporales
- Tipos de Patrones en Series Temporales Parte A
- Tipos de Patrones en Series Temporales Parte B
- Ruido Blanco
- Eliminación de la No Estacionariedad
- Demostración: Pasajeros Aéreos I
- Práctica: Producción de Cerveza I
- Modelos de Series Temporales Parte A
- Modelos de Series Temporales Parte B
- Modelos de Series Temporales Parte C
- Pasos en la predicción de series temporales
- Demostración: Pasajeros Aéreos II
- Práctica: Producción de Cerveza II
- Puntos clave
- Proyecto de fin de lección: Pronóstico del precio de las materias primas del FMI
Aprendizaje de conjunto
Lección 09
- Objetivos de aprendizaje
- Visión general de los métodos de aprendizaje conjunto Parte A
- Métodos de Aprendizaje de Conjunto Parte B
- Funcionamiento de AdaBoost
- Algoritmo AdaBoost y diagrama de flujo
- Potenciación del Gradiente
- XGBoost
- Parámetros de XGBoost Parte A
- Parámetros de XGBoost Parte B
- Demostración: Diabetes de los indios Pima
- Práctica: Especies Linealmente Separables
- Selección de Modelo
- Estrategias Comunes de División
- Demostración: Validación Cruzada
- Práctica: Selección de Modelo
- Conclusiones clave
- Proyecto de fin de lección: Ajustando el modelo clasificador con XGBoost
Sistemas de recomendación
Lección 10
- Objetivos de aprendizaje
- Introducción
- Propósitos de los Sistemas de Recomendación
- Paradigmas de los sistemas de Recomendación
- Filtrado Colaborativo Parte A
- Filtrado Colaborativo Parte B
- Minería de Reglas de Asociación
- Minería de Reglas de Asociación: Análisis da Cesta de Mercado
- Generación de Reglas de Asociación: Algoritmo Apriori
- Ejemplo del Algoritmo Apriori: Parte A
- Ejemplo del Algoritmo A priori: Parte B
- Algoritmo Apriori: Selección de Reglas
- Demostración: Modelo de Recomendación de Películas para Usuarios
- Práctica: Recomendación de películas
- Conclusiones clave
- Proyecto de fin de lección: Recomendación de alquiler de libros
Minería de texto
Lección 11
- Objetivos de aprendizaje
- Visión general de la minería de texto
- Importancia de la minería de texto
- Aplicaciones de la minería de texto
- Biblioteca del Kit de Herramientas de Lenguaje Natural
- Extracción de texto y preprocesamiento: Tokenización
- Extracción de texto y preprocesamiento: N-gramas
- Extracción de texto y preprocesamiento: Eliminación de palabras vacías
- Extracción y Preprocesamiento de Texto: Radicalización
- Extracción y Preprocesamiento de Texto: Lematización
- Extracción de texto y preprocesamiento: Etiquetado de partes de la oración
- Extracción de Texto y Preprocesamiento: Reconocimiento de Entidades Nombradas
- Flujo de trabajo del proceso de PNL
- Demostración: Procesamiento del Corpus de Brown
- Práctica: Corpus de Wikipedia
- Estructuración de Oraciones: Representación de Árboles Sintácticos
- Estructuración de frases: Chunking y Chunk Parsing
- NP y VP Chunk y Parser
- Estructuración de frases: Chinking Gramática
- Context-Free Grammar (CFG): Opiniones en Twitter
- Práctica: Opiniones sobre aerolíneas
- Puntos clave
- Proyecto de fin de lección: Copa Mundial de la FIFA
Proyecto 1: Predicción de tarifas Uber
Proyecto 1
Diseña un algoritmo que indique la tarifa que se cobrará a un pasajero. Uber quiere mejorar la precisión de su modelo de predicción de tarifas. Ayuda a Uber eligiendo los mejores datos y tecnologías de IA para construir el modelo de próxima generación.
Proyecto 2: Mercedes-Benz Greener Manufacturing
Proyecto 2
Reducir el tiempo que pasa un Mercedes-Benz en el banco de pruebas. Mercedes-Benz quiere acortar el tiempo que pasan los modelos en su banco de pruebas, para pasar antes a la fase de comercialización. Construye y optimiza un algoritmo de aprendizaje automático para resolver este problema.
Proyecto 3: Amazon.com - Acceso de empleados
Project - 03
Diseña un algoritmo para predecir con precisión los privilegios de acceso de los empleados de Amazon. Utiliza los datos de los empleados de Amazon y sus permisos de acceso para construir un modelo que decida automáticamente los privilegios de acceso a medida que los empleados entran y salen de los roles dentro de Amazon.
Proyecto 4: Cuantificación de los ingresos
Proyecto 4
Identifica el nivel de cualificación de ingresos necesario para las familias de América Latina. El Banco Interamericano de Desarrollo quiere calificar a las personas para un programa de ayuda. Ayuda al banco a construir y mejorar la precisión del conjunto de datos utilizando un clasificador de bosque aleatorio.
Formato del examen
Información sobre el examen
El examen se realiza íntegramente en línea. Dispone de 3 intentos de examen. Es necesario reservar el intento de examen con más de 48 horas de antelación.
- Opción múltiple
- 90 preguntas por examen
- Se concede una nota por cada respuesta correcta
- No hay puntos negativos por respuestas erróneas
- 120 minutos de duración
- Examen en línea supervisado
Resultados del aprendizaje
Al finalizar este curso de aprendizaje automático, serás capaz de:
Dominar los conceptos:
- Aprendizaje supervisado y no supervisado - Motores de recomendación - Modelización de series temporales - Aspectos estadísticos y heurísticos del aprendizaje automático - Conceptos teóricos y su relación con los aspectos prácticos
Validar modelos de aprendizaje automático y descifrar diversas métricas de precisión
Adquiera dominio práctico en:
Principios, Algoritmos, Aplicaciones, Máquinas de Vectores de Soporte, SVM con Kernel, Bayes Ingenuo, Clasificador de Árbol de Decisión, Clasificador de Bosque Aleatorio, Regresión Logística, Agrupamiento K-Medias, Python.
Mejorar los Modelos Finales utilizando otro Conjunto de Algoritmos de Optimización
- Esto incluye técnicas de boosting y bagging.
Público objetivo
Analistas de Datos Buscan Mejorar sus Habilidades
-
Científicos de Datos Dedicados a la Modelización Predictiva
-
Cualquier profesional con conocimientos de Python e interés en Estadística y Matemáticas
-
Desarrolladores de Inteligencia Empresarial
-
Por qué merece la pena dedicarle tiempo
Las certificaciones profesionales son importantes para tu desarrollo personal y mejoran la credibilidad de tu experiencia en ese campo. Aquí hay otros 6 beneficios:
Crea una Ventaja Competitiva
Mejora tu Conocimiento y Habilidades
Credibilidad Profesional
Avances Profesionales
Desarrollo Personal
Cumple con los Requisitos Profesionales o Corporativos
¿Necesitas una solución corporativa o integración de LMS?
¿No encontraste el curso o programa que encajaría para tu empresa? ¿Necesitas integración con un LMS? ¡Escríbenos! ¡Resolveremos todo!