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.
Programa del Curso
Introducción a la aplicación Machine Learning
- Aprendizaje estadístico vs. aprendizaje automático
- Iteración y evaluación
- Compensación entre sesgo y varianza
- Aprendizaje supervisado vs no supervisado
- Problemas resueltos con Machine Learning
- Prueba de validación de tren: flujo de trabajo de ML para evitar el sobreajuste
- Flujo de trabajo de Machine Learning
- Algoritmos de aprendizaje automático
- Elegir el algoritmo adecuado para el problema
Evaluación de algoritmos
- Evaluación de predicciones numéricas
- Medidas de precisión: ME, MSE, RMSE, MAPE
- Estabilidad de parámetros y predicciones
- Evaluación de algoritmos de clasificación
- La precisión y sus problemas
- La matriz de confusión
- Problema de clases desequilibradas
- Visualización del rendimiento del modelo
- Curva de beneficios
- Curva ROC
- Curva de elevación
- Selección de modelos
- Ajuste de modelos: estrategias de búsqueda en cuadrícula
Preparación de datos para el modelado
- Importación y almacenamiento de datos
- Comprender los datos: exploraciones básicas
- Manipulaciones de datos con la biblioteca pandas
- Transformaciones de datos: organización de datos
- Análisis exploratorio
- Observaciones faltantes: detección y soluciones
- Valores atípicos: detección y estrategias
- Estandarización, normalización, binarización
- Recodificación de datos cualitativos
Algoritmos de aprendizaje automático para la detección de valores atípicos
- Algoritmos supervisados
- KNN
- Aumento de gradiente de conjunto
- SVM
- Algoritmos no supervisados
- Basado en la distancia
- Métodos basados en la densidad
- Métodos probabilísticos
- Métodos basados en modelos
Comprensión Deep Learning
- Resumen de los conceptos básicos de Deep Learning
- Diferenciando entre Machine Learning y Deep Learning
- Descripción general de las aplicaciones para Deep Learning
Descripción general de Neural Networks
- ¿Qué son Neural Networks
- Neural Networks Modelos de regresión vs
- Comprensión Mathematical Fundamentos y mecanismos de aprendizaje
- Construcción de una red neuronal artificial
- Comprensión de los nodos neuronales y las conexiones
- Trabajar con neuronas, capas y datos de entrada y salida
- Descripción de los perceptrones de una sola capa
- Diferencias entre el aprendizaje supervisado y el no supervisado
- Feedforward de aprendizaje y retroalimentación Neural Networks
- Descripción de la propagación hacia adelante y hacia atrás
Construcción de modelos simples Deep Learning con Keras
- Creación de un modelo Keras
- Comprensión de los datos
- Especificación del modelo Deep Learning
- Compilación del modelo
- Ajuste a su modelo
- Trabajar con los datos de clasificación
- Trabajar con modelos de clasificación
- Uso de sus modelos
Trabajar con TensorFlow para Deep Learning
- Preparación de los datos
- Descarga de los datos
- Preparación de los datos de entrenamiento
- Preparación de los datos de prueba
- Escalado de entradas
- Uso de marcadores de posición y variables
- Especificación de la arquitectura de red
- Uso de la función de coste
- Uso del optimizador
- Uso de inicializadores
- Ajuste de la red neuronal
- Construyendo el grafo
- Inferencia
- Pérdida
- Adiestramiento
- Entrenamiento del modelo
- El grafo
- La sesión
- Bucle de tren
- Evaluación del modelo
- Construcción del gráfico de evaluación
- Evaluación con Eval Output
- Modelos de entrenamiento a escala
- Visualización y evaluación de modelos con TensorBoard
Aplicación de Deep Learning en la detección de anomalías
- Codificador automático
- Codificador - Arquitectura del decodificador
- Pérdida de reconstrucción
- Variational Autencoder
- Inferencia variacional
- Red generativa adversaria
- Generador – Arquitectura discriminadora
- Enfoques de AN usando GAN
Marcos de ensamble
- Combinación de resultados de diferentes métodos
- Bootstrap Agregación
- Promedio de la puntuación de los valores atípicos
Requerimientos
- Experiencia con Python programación
- Familiaridad básica con la estadística y los conceptos matemáticos.
Audiencia
- Desarrolladores
- Científicos de datos
28 Horas
