Programa del Curso
Aprendizaje automático
Introducción a Machine Learning
-
Aplicaciones del aprendizaje automático
Aprendizaje supervisado versus aprendizaje no supervisado
Algoritmos de aprendizaje automático
Regresión
Clasificación
Agrupamiento
Sistema de recomendación
Detección de anomalías
Reinforcement Learning
Regresión
-
Regresión simple y múltiple
Método de mínimos cuadrados
Estimación de los coeficientes
Evaluación de la exactitud de las estimaciones de los coeficientes
Evaluación de la precisión del modelo
Análisis posterior a la estimación
Otras consideraciones en los modelos de regresión
Predictores cualitativos
Extensiones de los modelos lineales
Problemas potenciales
Compensación sesgo-varianza [ajuste insuficiente/sobreajuste] para modelos de regresión
Métodos de remuestreo
-
Validación cruzada
El enfoque del conjunto de validación
Validación cruzada de Leave-One-Out
Validación cruzada k-Fold
Compensación de sesgo-varianza para k-fold
El Bootstrap
Selección y regularización de modelos
-
Selección de subconjuntos [Mejor selección de subconjuntos, selección paso a paso, elección del modelo óptimo]
Métodos de Contracción / Regularización [Regresión de Cresta, Lazo y Red Elástica]
Selección del parámetro de ajuste
Métodos de reducción de dimensiones
Regresión de componentes principales
Mínimos cuadrados parciales
Clasificación
-
Regresión logística
La función de coste del modelo logístico
Estimación de los coeficientes
Hacer predicciones
Odds Ratio
Matrices de Evaluación de Desempeño
[Sensibilidad/Especificidad/PPV/VPN, Precisión, curva ROC, etc.]
Regresión logística múltiple
Regresión logística para clases de respuesta >2
Regresión Logística Regularizada
Avance de ANN.
Estructuras de las redes de realimentación multicapa Algoritmo de propagación hacia atrás Propagación hacia atrás: entrenamiento y convergencia Aproximación funcional con retropropagación Cuestiones prácticas y de diseño del aprendizaje de la propagación hacia atrás
-
Deep Learning
Inteligencia Artificial y Deep Learning Regresión Softmax Aprendizaje autodidacta Redes profundas Demostraciones y aplicaciones
-
Laboratorio:
Introducción a R
-
Introducción a R
Comandos y bibliotecas básicas
Manipulación de datos
Importación y exportación de datos
Resúmenes gráficos y numéricos
Funciones de escritura
Regresión
Regresión lineal simple y múltiple Términos de interacción Transformaciones no lineales Regresión de variables ficticias La validación cruzada y la función Bootstrap Métodos de selección de subconjuntos Penalización [Cresta, Lazo, Red elástica]
-
Clasificación
Regresión logística, LDA, QDA y KNN, Remuestreo y regularización Máquina de vectores de soporte Remuestreo y regularización
-
Nota:
En el caso de los algoritmos de aprendizaje automático, se utilizarán estudios de casos para discutir su aplicación, ventajas y problemas potenciales. El análisis de diferentes conjuntos de datos se realizará utilizando R
Requerimientos
Es deseable tener conocimientos básicos de conceptos estadísticos.
Testimonios (5)
Tuvimos una visión general sobre Machine Learning, Neural Networks, IA con ejemplos prácticos.
Catalin - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Traducción Automática
Último día con la IA
Ovidiu - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Traducción Automática
Los ejemplos que se recogieron, compartieron con nosotros y explicaron
Cristina - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Traducción Automática
I really enjoyed the coverage and depth of topics.
Anirban Basu
Curso - Machine Learning and Deep Learning
The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.