
Machine Learning es un concepto que pertenece al ámbito de la inteligencia artificial cuya traducción al español es “Aprendizaje Automático”. Se trata de una nueva forma de concebir a las máquinas para que aprendan de forma automatizada y sean capaz de detectar patrones complejos en una gran cantidad de datos. De esta forma, la máquina será capaz de predecir comportamientos futuros en base a la creación de algoritmos sin intervención humana, mejorando con el tiempo.
Contenido del programa
Este programa se divide en cuatro cursos especializados que te ayudarán a entender de manera profunda el significado y aplicación del Machine Learning. El contenido es el siguiente:
Fundamentos del Machine Learning
En este curso aprenderás los fundamentos del Machine Learning a través del estudio de casos prácticos. Al final del curso habrás aprendido a predecir el precio de una vivienda en base a una serie de variables. Los conceptos adquiridos en este curso tienen múltiples aplicaciones.y aprenderás a:
- Identificar las distintas aplicaciones del Machine Learning.
- Describir las diferencias entre los principales tipos de análisis.
- Seleccionar las herramientas adecuadas para la aplicación del Machine Learning.
Machine Learning: regresión
Aprenderás a crear un modelos de regresión para la predicción del precio de una vivienda en base a una serie de variables. También aprenderás a valorar el impacto de los datos a la hora de elaborar las regresiones. Al final del curso podrás:
- Estimar parámetros del modelo utilizando algoritmos de optimización.
- Ajustar parámetros con validación cruzada.
- Analizar el rendimiento del modelo.
- Describir la noción de escasez y cómo LASSO conduce a soluciones dispersas.
- Explotar el modelo para establecer predicciones.
- Construir un modelo de regresión para predecir el precio de una vivienda.
- Implementar técnicas en Python.
Machine Learning: clasificación
En este curso aprenderás a crear modelos que predigan sentimientos a partir de una serie de características, como información de perfil, texto de las reseñas, etc. Esto puede servir de aplicación a la hora de, por ejemplo, elaborar anuncios personalizados. Al final del curso sabrás:
- Describir la entrada y salida de un modelo de clasificación.
- Abordar problemas de clasificación binaria y multiclase.
- Implementar un modelo de regresión logística.
- Crear modelos no lineales en base a ramas de decisión.
- Implementar técnicas en Python.
Machine Learning: agrupación y recuperación
En este punto aprenderás a encontrar nociones de similitud entre millones de documentos. Esto puede ser útil, por ejemplo, para recomendar artículos relacionados en base a los gustos del lector. Al final del curso habrás aprendido a:
- Crear un sistema de recuperación de documentos.
- Identificar métricas de similitud para datos de texto.
- Reducir los cálculos en la búsqueda.
- Comparar y contrastar tareas de aprendizaje supervisadas y no supervisadas.
- Agrupar documentos por tema.
- Examinar enfoques de agrupación probabilística.
- Ajustar una mezcla de modelo gaussiano.
- Realizar modelos de membresía mixta.
- Describir los pasos de una muestra de Gibbs.
- Comparar técnicas de inicialización para objetivos de optimización no convexos.