Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al aprendizaje automático aplicado
- Aprendizaje estadístico frente a aprendizaje automático
- Iteración y evaluación de resultados
- Relación entre sesgo y varianza en los modelos
- Diferencias entre aprendizaje supervisado y no supervisado
- Tipos de problemas que pueden resolverse mediante el aprendizaje automático
- Ciclo de entrenamiento, validación y prueba: métodos para evitar el sobreajuste
- Flujo de trabajo típico en el proceso de aprendizaje automático
- Algoritmos más habituales empleados en aprendizaje automático
- Criterios para seleccionar el algoritmo más adecuado según cada problema específico
Evaluación de algoritmos
-
Valoración de predicciones numéricas
- Medidas de exactitud: ME, MSE, RMSE y MAPE
- Estabilidad de parámetros e hipótesis generadas
-
Evaluación de algoritmos para tareas de clasificación
- Análisis de la exactitud y limitaciones del enfoque
- Matriz de confusión como herramienta fundamental
- Gestión de problemas derivados de clases desbalanceadas
-
Representación visual del rendimiento de los modelos
- Curvas de ganancia y utilidad (profit curve)
- Curva ROC como indicador clave
- Curva de levantamiento para valorar el impacto real
- Selección del mejor modelo posible según resultados
- Ajustes precisos mediante estrategias de búsqueda exhaustiva (grid search)
Preparación adecuada de los datos para el modelado
- Importación y almacenamiento eficaz de información bruta
- Exploración preliminar y conocimiento detallado del conjunto analizado
- Manipulación elemental de datos gracias a la biblioteca pandas
- Transformaciones generales para optimizar su formato (Data wrangling)
- Análisis exploratorio dirigido a descubrir patrones significativos
- Identificación y tratamiento adecuado de observaciones inconclusas o incompletas
- Detección eficaz y procedimientos para manejar valores atípicos
- Estandarización, normalización y conversión binaria de variables numéricas
- Codificación apropiada de información cualitativa o categórica
Algoritmos típicos para detectar valores anómalos mediante aprendizaje automático
-
Algoritmos de tipo supervisado
- Método KNN
- Técnicas basadas en el aumento del gradiente y conjuntos de modelos (Ensemble Gradient Boosting)
- Máquinas de vectores de soporte (SVM)
-
Algoritmos no supervisados
- Técnicas basadas exclusivamente en medición de distancias entre elementos
- Métodos centrados en densidad y proximidad relativa
- Modelos probabilísticos para estimar comportamientos normales
- Procedimientos que incorporan modelos estructurados previamente
Introducción conceptual al aprendizaje profundo
- Explicación general de los principios base del aprendizaje profundo
- Diferencias clave que separan el aprendizaje automático tradicional del aprendizaje profundo
- Ejemplos concretos donde se aplica eficazmente el aprendizaje profundo actualmente
Conceptos esenciales sobre redes neuronales
- Definición y estructura básica de las redes neuronales artificiales
- Comparación directa entre modelos neuronales y enfoques de regresión convencional
- Fundamentos matemáticos y mecanismos generales que permiten el aprendizaje progresivo
- Pasos a seguir para construir una red neuronal funcional desde cero
- Funcionamiento específico de nodos y conexiones neuronales dentro del sistema
- Cómo interactúan neuronas, capas y flujos básicos de información entre ellas
- Explicación detallada sobre perceptrones monocapa como bloques fundamentales
- Analogías y diferencias principales que distinguen aprendizaje supervisado de no supervisado
- Estudio profundo tanto sobre redes neuronales hacia adelante (feedforward) como retroalimentadas
- Mecanismos generales de propagación hacia adelante y retropropagación para ajustar parámetros
Construcción paso a paso de modelos sencillos mediante Keras
- Instrucciones exactas para crear primeros modelos básicos en el entorno Keras
- Cómo analizar adecuadamente los datos disponibles antes de avanzar en la fase creativa
- Especificación correcta de arquitecturas propias mediante el uso apropiado de capas
- Compilación exacta que asegura un funcionamiento coherente en cada caso particular
- Procedimiento sistemático para entrenar el modelo generado hasta alcanzar mayor precisión
- Trabajo correcto con conjuntos de datos diseñados específicamente para clasificación categórica
- Manejo apropiado y evaluación continua de modelos ya formulados en contextos de clasificación reales
- Uso efectivo que permite integrar posteriormente los resultados a sistemas mayores existentes
Programación avanzada usando TensorFlow en contextos de aprendizaje profundo
-
Etapas precisas para preparar la información necesaria y facilitar el trabajo ulterior
- Descarga inmediata del material esencial desde fuentes externas o internas
- Elaboración de conjuntos destinados exclusivamente a entrenamiento correcto
- Generación adecuada de muestras para la validación independiente del modelo desarrollado
- Procesos que garantizan el escalado homogéneo de cada variable numérica usadas como insumo
- Implementación óptima mediante uso adecuado de variables dinámicas y receptores de datos
- Diseño claro de la estructura general que componen el sistema neuronal planificado
- Selección concienzuda del indicador matemático a utilizar como base comparativa de eficiencia real
- Configuración óptima y adecuada del optimizador que permita mejoras progresivas continuas
- Determinación adecuada del mecanismo inicial que guiará el aprendizaje paso a paso
-
Entrenamiento gradual y progresivo basado en procesos de actualización sistemática
-
Formulación detallada del flujo lógico general que conforma la base del comportamiento algorítmico
-
Capacidades inherentes para deducir predicciones a partir de los datos conocidos (Inference)
-
Cálculos específicos que evalúan cuán distante está el modelo respecto al ideal real (Loss)
-
Ciclos iterativos y procedimientos de actualización precisos para mejorar constantemente (Training)
-
Capacidades inherentes para deducir predicciones a partir de los datos conocidos (Inference)
-
Proceso sistemático para entrenamiento final que abarca todas etapas necesarias
-
Conformación del flujo lógico base mediante relaciones entre nodos y transiciones de datos
-
Creación de entornos dinámicos donde pueden aplicarse eficazmente todas funciones previamente diseñadas (Session)
-
Secuencias repetidas e iterativas que guían cada paso del aprendizaje algorítmico hasta su término completo (Train Loop)
-
Conformación del flujo lógico base mediante relaciones entre nodos y transiciones de datos
-
Valoración objetiva basada en indicadores precisos para medir verdadera eficacia obtenida
-
Construcción de representaciones visuales y descriptivas que revelan potencialidad relativa frente a situaciones reales (Building the Eval Graph)
-
Aplicación directa y continuada sobre muestras probadas para extraer conclusiones fidedignas (Evaluating with Eval Output)
-
Construcción de representaciones visuales y descriptivas que revelan potencialidad relativa frente a situaciones reales (Building the Eval Graph)
-
Técnicas avanzadas para realizar entrenamientos complejos o de grandes volúmenes sin perder rendimiento
-
Uso práctico del panel TensorBoard para observar y analizar gráficamente todo desempeño obtenido durante el proceso educativo
Aplicación real del aprendizaje profundo a la detección eficaz de anomalías
-
Modelos denominados autoencoders en conjunto con sus funciones clave
-
Estructuras duales compuestas por módulos codificadores y descodificadores que simplifican datos originales
-
Valoración directa de la distancia existente entre resultados estimados y datos reales mediante métricas propias (Reconstruction loss)
-
Estructuras duales compuestas por módulos codificadores y descodificadores que simplifican datos originales
-
Autoencoders Variacionales junto a sus mecanismos fundamentales
-
Implementaciones que utilizan inferencia estadística para generar representaciones probabilísticas más generales y precisas
-
Implementaciones que utilizan inferencia estadística para generar representaciones probabilísticas más generales y precisas
-
Redes Generativas Adversarias (GANs) describiendo sus componentes esenciales
-
Dinámica básica que implica la existencia conjunta de módulos generadores y discriminantes que colaboran y compiten entre sí para generar resultados útiles
-
Estrategias concretas y probadas en la práctica para identificar desviaciones mediante técnicas derivadas de las GANs mencionadas
-
Dinámica básica que implica la existencia conjunta de módulos generadores y discriminantes que colaboran y compiten entre sí para generar resultados útiles
Marcos generales que emplean técnicas de conjuntos en sus resoluciones
-
Unión sistemática de resultados obtenidos mediante distintos métodos o estrategias individuales
-
Método estadístico denominado Bootstrap Aggregating utilizado en diversas ocasiones para reducir la varianza general
-
Promediación calculada que permite evaluar correctamente las diferencias halladas en cuanto a anomalías detectadas entre múltiples fuentes disponibles
Requerimientos
- Experiencia previa programando en Python
- Conocimientos básicos de estadística y conceptos matemáticos
Público objetivo
- Desarrolladores
- Científicos de datos
28 Horas
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 5800 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
Reseñas (5)
La capacitación proporcionó una interesante visión general de los modelos de aprendizaje profundo y métodos relacionados. El tema era bastante nuevo para mí, pero ahora siento que realmente tengo una idea de lo que puede implicar la IA y el ML, qué consisten estos términos y cómo pueden ser utilizados con ventaja. En general, me gustó el enfoque de comenzar con el fondo estadístico y los modelos de aprendizaje básicos, como la regresión lineal, especialmente enfatizando los ejercicios intermedios.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
Ana siempre preguntaba si había alguna pregunta y constantemente intentaba hacernos más activos planteando cuestiones, lo que nos involucraba a todos realmente en el entrenamiento.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
Me gustó la forma en que se integra con las prácticas.
Bertan - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
La extensa experiencia / conocimiento del formador
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
la VM es una buena idea
Vincent - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traducción Automática
