Temario del curso
Introducción
Esta sección ofrece una introducción general sobre cuándo utilizar 'machine learning', qué aspectos deben considerarse y qué significa todo esto, incluyendo las ventajas y desventajas. Tipos de datos (estructurados/inestructurados/estáticos/de flujo), validez/volumen de datos, analítica dirigida por datos vs. dirigida por usuarios, modelos estadísticos vs. modelos de machine learning/desafíos del aprendizaje no supervisado, compensación entre sesgo y varianza, iteración/evaluación, enfoques de validación cruzada, supervisado/no supervisado/reforzado.
TEMAS PRINCIPALES
1. Comprensión de Naive Bayes
- Conceptos básicos de los métodos bayesianos
- Probabilidad
- Probabilidad conjunta
- Probabilidad condicional con el teorema de Bayes
- El algoritmo de Naive Bayes
- La clasificación Naive Bayes
- El estimador de Laplace
- Uso de características numéricas con Naive Bayes
2. Comprensión de los árboles de decisión
- Divide y vencerás
- El algoritmo de árbol de decisión C5.0
- Elegir la mejor división
- Recorte (pruning) del árbol de decisión
3. Comprensión de las redes neuronales
- De las neuronas biológicas a las artificiales
- Funciones de activación
- Topología de la red
- El número de capas
- La dirección del flujo de información
- El número de nodos en cada capa
- Entrenamiento de redes neuronales con retropropagación (backpropagation)
- Aprendizaje profundo (Deep Learning)
4. Comprensión de las Máquinas de Vector de Soporte (SVM)
- Clasificación con hiperplanos
- Encontrando el margen máximo
- El caso de datos linealmente separables
- El caso de datos no linealmente separables
- Uso de kernels para espacios no lineales
5. Comprensión del agrupamiento (clustering)
- El agrupamiento como tarea de aprendizaje automático
- El algoritmo k-means para agrupamiento
- Uso de la distancia para asignar y actualizar grupos
- Elegir el número apropiado de grupos
6. Medición del rendimiento para clasificación
- Trabajo con datos de predicción de clasificación
- Un vistazo más cercano a las matrices de confusión
- Uso de matrices de confusión para medir el rendimiento
- Más allá de la precisión: otras medidas de rendimiento
- La estadística kappa
- Sensibilidad y especificidad
- Precisión y recuperación (recall)
- La medida F
- Visualización de las compensaciones de rendimiento
- Curvas ROC
- Estimación del rendimiento futuro
- Método de retención (holdout)
- Validación cruzada
- Muestreo de bootstrap
7. Ajuste de modelos estándar para un mejor rendimiento
- Uso de caret para el ajuste automático de parámetros
- Creación de un modelo ajustado simple
- Personalización del proceso de ajuste
- Mejora del rendimiento del modelo con meta-aprendizaje
- Comprensión de los conjuntos (ensembles)
- Bagging
- Boosting
- Bosques aleatorios (Random forests)
- Entrenamiento de bosques aleatorios
- Evaluación del rendimiento de los bosques aleatorios
TEMAS SECUNDARIOS
8. Comprensión de la clasificación utilizando los vecinos más cercanos
- El algoritmo kNN
- Cálculo de la distancia
- Elegir un k apropiado
- Preparación de datos para su uso con kNN
- ¿Por qué el algoritmo kNN es perezoso (lazy)?
9. Comprensión de las reglas de clasificación
- Separar y vencer
- El algoritmo One Rule
- El algoritmo RIPPER
- Reglas a partir de árboles de decisión
10. Comprensión de la regresión
- Regresión lineal simple
- Estimación de mínimos cuadrados ordinarios
- Correlaciones
- Regresión lineal múltiple
11. Comprensión de los árboles de regresión y los árboles de modelos
- Agregando regresión a los árboles
12. Comprensión de las reglas de asociación
- El algoritmo Apriori para el aprendizaje de reglas de asociación
- Medición del interés de la regla: apoyo y confianza
- Construcción de un conjunto de reglas con el principio Apriori
Extras
- Spark/PySpark/MLlib y bandit multim Brazo (Multi-armed bandits)
Requerimientos
Conocimientos de Python
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 4350 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
Reseñas (7)
Disfruté enormemente el curso de formación y aprecié la profundización en el tema del Aprendizaje Automático. Me gustó el equilibrio entre teoría y aplicaciones prácticas, especialmente las sesiones de codificación práctica. El instructor proporcionó ejemplos atractivos y ejercicios bien diseñados que mejoraron la experiencia de aprendizaje. El curso abarcó una amplia gama de temas, y Abhi demostró un excelente nivel de experticia al responder todas las preguntas con claridad y facilidad.
Valentina
Curso - Machine Learning
Traducción Automática
Aprecié el ejercicio que me ayudó a entender la teoría y aplicarla paso a paso. Además, la forma en que el formador explicaba todo de manera simple y clara fue muy útil. Fue fácil de seguir, aunque no estoy muy experimentado con Python; sin embargo, no quería perder la oportunidad de aprender algo que realmente me interesa. También valoré la variedad de información proporcionada y la disposición del formador para explicar y apoyarnos en la comprensión de los conceptos. Después de este curso, los conceptos de machine learning son mucho más claros para mí, y ahora siento que tengo una dirección y una mejor comprensión del tema.
Cristina
Curso - Machine Learning
Traducción Automática
Al final del entrenamiento, pude ver el caso de uso práctico de los temas presentados.
Daniel
Curso - Machine Learning
Traducción Automática
Me gustó el ritmo, me gustó el equilibrio entre teoría y práctica, los temas principales cubiertos y la forma en que el formador logró mantener todo en equilibrio. También me gustó mucho su infraestructura de capacitación, muy práctica para trabajar con VMs
Andrei
Curso - Machine Learning
Traducción Automática
Manteniéndolo corto y sencillo. Creando intuición y modelos visuales alrededor de los conceptos (gráfico del árbol de decisiones, ecuaciones lineales, calculando y_pred manualmente para demostrar cómo funciona el modelo).
Nicolae - DB Global Technology
Curso - Machine Learning
Traducción Automática
Me ayudó a alcanzar mi objetivo de comprender el ML. Mucho respeto para Pablo por brindar una introducción adecuada en este tema, ya que después de 3 días de formación se vuelve evidente lo vasto que es este campo. También disfruté MUCHO la idea de las máquinas virtuales que proporcionaste, ¡las cuales tenían una latencia excelente! Esto permitió que cada participante realizara experimentos a su propio ritmo.
Silviu - DB Global Technology
Curso - Machine Learning
Traducción Automática
La forma práctica, ver la teoría materializándose en algo práctico es genial.
Lisa Fekade - Vodacom
Curso - Machine Learning
Traducción Automática
