Programa del Curso

Aprendizaje supervisado: clasificación y regresión

    Aprendizaje automático en Python: introducción a la API scikit-learn Regresión lineal y logística máquina de vectores de soporte Redes neuronales Bosque aleatorio
Configuración de una canalización de aprendizaje supervisado de extremo a extremo mediante scikit-learn Trabajar con archivos de datos
  • Imputación de valores faltantes
  • Manejo de variables categóricas
  • Visualización de datos
  • Python marcos 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 La célula de la memoria a corto plazo

      Aprendizaje no supervisado: agrupación, detección de anomalías

    Implementación del análisis de componentes principales con SCIKIT-LEARN Implementación de autocodificadores en Keras

      Ejemplos prácticos de problemas que la IA puede resolver (ejercicios prácticos con Jupyter Notebooks), p. ej. 

    análisis de imágenes pronosticar series financieras complejas, como los precios de las acciones, Reconocimiento de patrones complejos Procesamiento del lenguaje natural Sistemas de recomendación

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

    Sobreajuste Equilibrio entre sesgo y desviación Sesgos en los datos observacionales Envenenamiento de redes neuronales

      Trabajo de proyecto aplicado (opcional)

    Requerimientos

    No se necesitan requisitos específicos para asistir a este curso.

      28 horas
     

    Número de participantes


    Comienza

    Termina


    Dates are subject to availability and take place between 09:30 and 16:30.
    Los cursos de formación abiertos requieren más de 5 participantes.

    Testimonios (2)

    Cursos Relacionados

    Categorías Relacionadas