Programa del Curso

Introducción a la aplicación Machine Learning

  • Aprendizaje estadístico vs. aprendizaje automático
  • Iteración y evaluación
  • Equilibrio entre sesgo y varianza

Aprendizaje supervisado y aprendizaje no supervisado

  • Machine Learning Idiomas, tipos y ejemplos
  • Aprendizaje supervisado vs no supervisado

Aprendizaje supervisado

  • Árboles de decisión
  • Random Forests
  • Evaluación del modelo

Aprendizaje automático con Python

  • Elección de bibliotecas
  • Herramientas complementarias

Regresión

  • Regresión lineal
  • Generalizaciones y no linealidad
  • Ejercicios

Clasificación

  • Repaso bayesiano
  • Bayes ingenuo
  • Regresión logística
  • K-Vecinos más cercanos
  • Ejercicios

Validación cruzada y remuestreo

  • Enfoques de validación cruzada
  • Bootstrap
  • Ejercicios

Aprendizaje no supervisado

  • Agrupación en clústeres de K-means
  • Ejemplos
  • Desafíos del aprendizaje no supervisado y más allá de K-means

Redes neuronales

  • Capas y nodos
  • Python Bibliotecas de redes neuronales
  • Trabajar con scikit-learn
  • Trabajar con PyBrain
  • Aprendizaje profundo

Requerimientos

Conocimiento de Python lenguaje de programación. Se recomienda estar familiarizado con la estadística y el álgebra lineal.

  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.

Testimonios (2)

Cursos Relacionados

Categorías Relacionadas