-
Comenzaremos con la historia del aprendizaje automático y discutiremos por qué las redes neuronales actualmente dan tan buenos resultados para una gran variedad de problemas de la ciencia de datos. Luego, veremos cómo configurar un problema de aprendizaje supervisado y encontrar una buena solución mediante el descenso de gradientes. Para esto, será necesario crear conjuntos de datos que permitan la generalización. Hablaremos sobre los métodos para hacerlo de una forma repetible que respalde la experimentación.
Objetivos del curso:
Identificar por qué el aprendizaje profundo es popular en la actualidad
Optimizar y evaluar modelos mediante las funciones de pérdida y las métricas de rendimiento
Mitigar problemas comunes que se presentan en el aprendizaje automático
Crear conjuntos de datos repetibles y escalables para entrenamiento, evaluación y pruebas
Overview
Syllabus
-
- Introducción al curso
- En este curso, obtendrá conocimientos fundamentales sobre el AA que le permitirán entender la terminología que utilizaremos durante la especialización. También conocerá sugerencias prácticas y problemas de la mano de los profesionales del AA de Google y, cuando termine, tendrá el código y los conocimientos necesarios para iniciar sus propios modelos de AA.
- Mejorar la calidad de los datos y los análisis exploratorios de datos
- En este módulo, presentaremos problemas de calidad de los datos y explicaremos cómo solucionarlos. Luego, observaremos los análisis exploratorios de datos.
- AA práctico
- En este módulo, presentaremos algunos de los tipos principales de aprendizaje automático y revisaremos la historia del AA hasta llegar a las últimas novedades para que pueda acelerar su crecimiento como profesional del AA.
- Optimización
- En este módulo, lo guiaremos para que optimice sus modelos de AA.
- Generalización y muestreo
- Ahora es momento de responder una pregunta algo extraña: ¿en qué casos no hay que elegir el modelo de AA más preciso? Lo insinuamos en el módulo anterior sobre optimización: que un modelo tenga una métrica de pérdida de 0 para el conjunto de datos de entrenamiento no indica que tendrá un buen rendimiento con datos nuevos en el mundo real. Aprenderá a crear conjuntos de datos repetibles para entrenamiento, evaluación y prueba, y a establecer comparativas de rendimiento.
- Resumen
