Curso de Machine Learning.
- Modalidad:Online / Distancia
Detalles.
Dirigido a:
- Directores Generales, Managers y otros directivos que quieran mejorar el performance de sus organizaciones implementando machine learning para aprovechar nuevas oportunidades de negocio.
- Profesionales en puestos de innovación que se quieran sumergir en la inteligencia artificial para desarrollar procesos de automatización y mejorar su toma de decisiones.
Requisitos:
- Desable conocimientos previos en programación
Comentarios:
Aprenderas sobre construcción de funciones de predicción, incluyendo la recolección de datos, la creación de características, los algoritmos y la evaluación.
Una de las tareas más comunes realizadas por los científicos y analistas de datos son la predicción y el aprendizaje automático.
Este curso cubrirá los componentes básicos de la construcción y la aplicación de las funciones de
predicción con énfasis en aplicaciones prácticas.
El curso ofrecerá una base de conceptos básicos como la formación y los conjuntos de pruebas, la adaptación y las tasas de error.
El curso también introducirá una gama de métodos de aprendizaje de máquinas basados en modelos
y algoritmos, incluyendo regresión, árboles de clasificación, Bayes ingenuos y bosques aleatorios.
El curso cubrirá el proceso completo de construcción de funciones de predicción, incluyendo la recolección de datos, la creación de características, los algoritmos y la evaluación.
¿
Cuáles son los objetivos de este curso?
- Identificar el aprendizaje automático
- Conocer las bondades del aprendizaje automático
- Clasificar de manera adecuada
- Dominar herramientas para el prototipaje de soluciones
¿
Qué distingue a este curso de los demás?
Autoplaneado, avanza a tu ritmo de manera paráctica con contenido de actualidad.
Temario.
Módulo 1
¿
Qué es el aprendizaje automático?
1 ¿Qué es la inteligencia artificial?
2 ¿Qué es el aprendizaje maquina?
3 ¿Cuáles son las técnicas de aprendizaje máquina?
Aprendizaje máquina práctico
1 ¿Qué es un framework de programación? (Tidy Models)
2 ¿Cómo se entrena un modelo?
3 Regresión Lineal
4 ¿Por qué es necesario separar los datos?
5 Separación de un data set en set de entrenamiento y set de prueba
Aprendizaje máquina práctico – clasificación
1 ¿Qué son los árboles de decisión?
2 ¿Cómo puedo medir el desempeño de un algoritmo de decisión?
3 ¿Qué es una matriz de confusión?
4 ¿Qué son las curvas ROC?
5 Implementado un árbol con Tidy Models
Random Forests
1 ¿Qué es un algoritmo de ensamble?
2 ¿Qué es un bosque de árboles de decisión (RF) y cómo se implementa Tidy Models?
3 ¿Qué son los hiperparámetros y para qué sirven?
4 ¿Qué es la validación cruzada?
Técnicas complementarias de Machine Learning
1 El problema de tener muchas dimensiones
2 ¿Cómo reducir el número de dimensiones con PCA?
3 Principal Component Analysis (PCA) para la visualización en tidy models
4 Usando PCA en la regresión lineal
