Programa del Curso

Introducción a la aplicación Machine Learning

    Aprendizaje estadístico vs. aprendizaje automático Iteración y evaluación Equilibrio entre sesgo y varianza Aprendizaje supervisado vs no supervisado Problemas resueltos con Machine Learning Prueba de validación de entrenamiento: flujo de trabajo de ML para evitar el sobreajuste Flujo de trabajo de Machine Learning Algoritmos de aprendizaje automático Elegir el algoritmo adecuado 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 La precisión y sus problemas
  • La matriz de confusión
  • Problema de clases desequilibradas
  • Visualización del rendimiento del modelo Curva de beneficios
  • Curva ROC
  • Curva de elevación
  • Selección de modelos
  • Ajuste de modelos: estrategias de búsqueda de cuadrícula
  • Preparación de datos para la modelización
  • Importación y almacenamiento de datos Comprender los datos: exploraciones básicas Manipulaciones de datos con la biblioteca pandas Transformaciones de datos: organización de datos 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
  • Algoritmos supervisados KNN Aumento de gradiente de conjunto SVM

      Algoritmos no supervisados Basado en la distancia

    Métodos basados en la densidad

      Métodos probabilísticos
    Métodos basados en modelos
  • Comprensión Deep Learning
  • Visión general de los conceptos básicos del aprendizaje profundo Diferenciación entre Machine Learning y aprendizaje profundo Descripción general de las aplicaciones para el aprendizaje profundo
  • Descripción general de Neural Networks
  • ¿Qué son Neural Networks Neural Networks Modelos de regresión vs Comprender los fundamentos matemáticos y los mecanismos de aprendizaje Construcción de una red neuronal artificial Comprensión de los nodos neuronales y las conexiones Trabajar con neuronas, capas y datos de entrada y salida Comprensión de los perceptrones de una sola capa Diferencias entre el aprendizaje supervisado y el no supervisado Feedforward de aprendizaje y retroalimentación Neural Networks Descripción de la propagación hacia adelante y hacia atrás
  • Creación de modelos simples de aprendizaje profundo con Keras

      Creación de un modelo Keras Comprensión de los datos Especificación del modelo de aprendizaje profundo Compilación del modelo Ajuste de su modelo Trabajar con los datos de clasificación Trabajar con modelos de clasificación Uso de los modelos 

    Trabajar con TensorFlow para el aprendizaje profundo

      Preparación de los datos Descarga de los datos Preparación de datos de entrenamiento Preparación de los datos de prueba Escalado de entradas Uso de marcadores de posición y variables

    Especificación de la arquitectura de red

      Uso de la función de coste

    Uso del optimizador

      Uso de inicializadores
    Ajuste de la red neuronal
  • Construyendo el grafo Inferencia
  • Pérdida
  • Adiestramiento
  • Entrenamiento del modelo El gráfico
  • La sesión
  • Bucle de tren
  • Evaluación del modelo Creación del gráfico de evaluación
  • Evaluación con Eval Output
  • Modelos de entrenamiento a escala
  • Visualización y evaluación de modelos con TensorBoard 
  • Aplicación de Deep Learning en la detección de anomalías
  • Codificador automático Codificador - Arquitectura del decodificador Pérdida de reconstrucción
  • Autencoder variacional Inferencia variacional
  • Red generativa adversaria Generador – Arquitectura discriminadora
  • Enfoques de la NA mediante GAN
  • Marcos de ensamble
  • Combinación de resultados de diferentes métodos Bootstrap Agregación Promedio de puntuación atípica
  •  
  • Requerimientos

    • Experiencia con Python programación
    • Familiaridad básica con la estadística y los conceptos matemáticos
    • .

    Audiencia

    • Desarrolladores
    • Científicos de datos
      28 horas
     

    Número de participantes


    Comienza

    Termina


    Las fechas están sujetas a disponibilidad y tienen lugar entre 09:30 y 16:30.
    Los cursos de formación abiertos requieren más de 5 participantes.

    Cursos Relacionados

    Categorías Relacionadas