Algunos de nuestros clientes






















.jpg)
.png)


























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
Promociones
-
2021-04-26 2021-04-28Lima - Edificio Tempus San Isidro