Cursos de Aprendizaje Automático y Aprendizaje Profundo

Algunos de nuestros clientes

Código del Curso

mldt

Duración

21 horas (usualmente 3 días, incluidas las pausas)

Requerimientos

El conocimiento básico de los conceptos estadísticos es deseable.
 

Descripción General

Este curso cubre IA (enfatizando Aprendizaje automático y Aprendizaje profundo)
 

Programa del Curso

Introducción al aprendizaje automático

  • Aplicaciones de aprendizaje automático
  • Aprendizaje supervisado versus no supervisado
  • Algoritmos de aprendizaje automático
    • Regresión
    • Clasificación
    • Agrupación
    • Sistema de recomendación
    • Detección de anomalías
    • Aprendizaje reforzado

Regresión

  • Regresión simple y múltiple
    • Método menos cuadrado
    • Estimando los coeficientes
    • Evaluar la precisión de las estimaciones del coeficiente
    • Evaluar la precisión del modelo
    • Análisis de post-estimación
    • Otras consideraciones en los modelos de regresión
    • Predictores Cualitativos
    • Extensiones de los modelos lineales
    • Problemas potenciales
    • Variación sesgo-varianza [ajuste insuficiente / ajuste excesivo] para modelos de regresión

Métodos de remuestreo

  • Validación cruzada
  • El enfoque del conjunto de validación
  • Cross-Validation Leave-One-Out
  • Validación Cruzada k-Fold
  • Bias-Variance Trade-Off para k-Fold
  • El Bootstrap

Selección de modelos y regularización

  • Selección del subconjunto [Selección del mejor subconjunto, Selección por pasos, Elección del modelo óptimo]
  • Métodos de contracción / Regularización [Ridge Regression, Lasso & Elastic Net]
  • Seleccionar el parámetro de ajuste
  • Métodos de reducción de dimensiones
    • Regresión de componentes principales
    • Mínimos cuadrados parciales

Clasificación

  • Regresión logística
    • La función de costo del Modelo Logístico
    • Estimando los coeficientes
    • Haciendo predicciones
    • Odds Ratio
    • Matrices de evaluación de desempeño
    • [Sensibilidad / Especificidad / PPV / NPV, precisión, curva ROC, etc.]
    • Regresión logística múltiple
    • Regresión logística para> 2 clases de respuesta
    • Regresión logística regularizada
  • Análisis discriminante lineal
    • Usando el teorema de Bayes para la clasificación
    • Análisis discriminante lineal para p = 1
    • Análisis discriminante lineal para p> 1
  • Análisis discriminante cuadrático
  • K-Vecinos más cercanos
  • Clasificación con límites de decisión no lineales
  • Soporte Vector Machines
    • Objetivo de optimización
    • El clasificador de margen máximo
    • Núcleos
    • Clasificación One-Versus-One
    • Clasificación One-Versus-All
  • Comparación de los métodos de clasificación

Introducción al Aprendizaje Profundo

Estructura ANN

  • Neuronas biológicas y neuronas artificiales
  • Hipótesis no lineal
  • Representación del modelo
  • Ejemplos e intuiciones
  • Función de transferencia / Funciones de activación
  • Clases típicas de arquitecturas de red

Avance ANN.

  • Estructuras de redes de feed feed multicapa
  • Algoritmo de propagación de la espalda
  • Back propagation - entrenamiento y convergencia
  • Aproximación funcional con propagación hacia atrás
  • Problemas prácticos y de diseño del aprendizaje de propagación de retorno

Aprendizaje profundo

  • Inteligencia Artificial y Aprendizaje Profundo
  • Regresión de Softmax
  • Aprendizaje autodidacta
  • Redes profundas
  • Demos y Aplicaciones

Laboratorio:

Comenzando con R

  • Introducción a R
  • Comandos básicos y bibliotecas
  • Manipulación de datos
  • Importación y exportación de datos
  • Resúmenes gráficos y numéricos
  • Funciones de escritura

Regresión

  • Regresión lineal simple y múltiple
  • Términos de interacción
  • Transformaciones no lineales
  • Regresión variable ficticia
  • Cross-Validation y Bootstrap
  • Métodos de selección de subconjuntos
  • Penalización [Ridge, Lasso, Elastic Net]

Clasificación

  • Regresión logística, LDA, QDA y KNN,
  • Remuestreo y Regularización
  • Máquinas de vectores soporte
  • Remuestreo y Regularización

Nota:

  • Para los algoritmos de ML, se usarán estudios de casos para analizar su aplicación, ventajas y posibles problemas.
  • El análisis de diferentes conjuntos de datos se realizará utilizando R

Testimonios

★★★★★
★★★★★

Categorías Relacionadas

Cursos Relacionados

Promociones

Descuentos en los Cursos

Respetamos la privacidad de su dirección de correo electrónico. No transmitiremos ni venderemos su dirección a otras personas.
En cualquier momento puede cambiar sus preferencias o cancelar su suscripción por completo.

is growing fast!

We are looking to expand our presence in Peru!

As a Business Development Manager you will:

  • expand business in Peru
  • recruit local talent (sales, agents, trainers, consultants)
  • recruit local trainers and consultants

We offer:

  • Artificial Intelligence and Big Data systems to support your local operation
  • high-tech automation
  • continuously upgraded course catalogue and content
  • good fun in international team

If you are interested in running a high-tech, high-quality training and consulting business.

Apply now!

Este sitio en otros países / regiones