56 62 35 06


 

Av. Insurgentes Sur 1677-1104, Guadalupe Inn, 01020, CDMX


 

Pwd by. ChipotleMedia

 

  • LinkedIn - círculo blanco

Los primeros 4 pases al

50% de descuento

Inversión precio normal: $16,000 pesos por persona 
4 días, tiempo completo. 
Del 11 al 14 de Noviembre 2019 
10am a 6pm 

FICHA TÉCNICA

Este es un curso introductorio que proporciona un panorama de los diferentes algoritmos y técnicas del aprendizaje automático y la inteligencia artificial.

Los algoritmos se abordan desde una perspectiva práctica, enfocada más en el uso y aplicación de los mismos que en la formalización matemática. Si se busca cierto rigor en las explicaciones pero favoreciendo la intuición sobre las abstracciones matemáticas.

Todos los conceptos explicados se refuerzan a través de ejercicios prácticos ejecutados por los participantes, con guía del instructor y, algunos ejercicios que ejecutan los participantes por sí mismos para que puedan complementar su comprensión del tema.

El material del curso se entrega en forma electrónica para que pueda ser usado como referencia. Los participantes también tienen la opción de copiar la máquina virtual donde se ejecutan los laboratorios del curso para tener un ambiente donde puedan seguir practicando.

OBJETIVOS DE APRENDIZAJE

Al finalizar el curso el participante será capaz de:

  • Entender y aplicar los procedimientos más comunes para preparar los datos para poder ser usados con algoritmos de aprendizaje automático y/o inteligencia artificial.

  • Explicar los conceptos de aprendizaje supervisado y no supervisado.

  • Conocer el flujo de tareas asociadas al aprendizaje supervisado.

  • Describir las características generales de las siguientes técnicas de aprendizaje automático:

    • Regresión

    • Clasificación

    • Segmentación

    • Reglas de asociación

    • Reducción de dimensionalidad

  • Entender la forma en que puede aplicarse el aprendizaje supervisado al lenguaje natural.

  • Saber aplicar las técnicas para poder hacer pronósticos en series de tiempo.

  • Entender las características generales de las redes neuronales y las redes neuronales

    convolucionales.

  • Aplicar los criterios y procedimientos más comunes para medir el desempeño de un algoritmo de aprendizaje automático.

  • Entender las implicaciones de:

    • La paradoja de la exactitud

    • El uso de datos con observaciones desbalanceadas en las distintas categorías a clasificar

  • Entender los problemas de subajuste y sobreajuste y saber qué medidas podrían ayudar a remediarlos.

  • Entender las carácterísticas principales de los diferentes algoritmos y técnicas que se revisan en el curso.

  • Poder explicar qué es una serie de tiempo y entender cómo se pueden modelar.

  • Distinguir entre series de tiempo estacionarias y no estacionarias y sus componentes (variación, tendencia, estacionalidad).

  • Entender de forma general los mecanismos usados para el aprendizaje por reforzamiento.

El curso incluye ejercicios de laboratorio que permiten al participante probar los distintos algoritmos y técnicas que se explican en el curso. NO se pretende con estos ejercicios que el participante aprenda a usar alguna herramienta en particular, sólo se busca afianzar los conceptos teóricos a través del uso de una herramienta. La herramienta que se emplea en la mayor parte del curso es la versión comunitaria (open source) de RAPIDMINER (rapidminer.com). También se incluyen algunas rutinas en R y Python pero no se pretende que el participante aprenda alguno de estos lenguajes.

TEMARIO

  • Introducción

  • Preparación de los datos

    • Introducción

    • Muestras, medias y dispersión

    • Valores faltantes

    • Codificación de variables categóricas

    • Escalar variables

    • Datos de entrenamiento, datos de validación y datos de prueba

  • Regresión

    • Regresión lineal simple

    • Validación del modelo de regresión

    • Regresión lineal con más de 1 variable

    • Regresión polinómica

    • Regularización

  • Clasificación

    • Regresión logística

    • Matriz de confusión

    • K-NN

    • SVM

    • Naïve Bayes

    • Árboles de decisión

    • Random forest

    • Comparación de algoritmos y paradoja de la exactitud

  • Segmentación

    • K-means

    • Segmentación jerárquica

  • Reglas de asociación

  • Procesamiento del lenguaje natural

  • Reducción de dimensionalidad

    • Análisis de componentes principales

    • Linear discriminant analysis

    • Kernel PCA

  • Redes neuronales

  • Redes neuronales convolucionales

  • K-fold cross validation

  • Afinación de hiperparámetros

  • Selección de modelos

  • Series de tiempo

    • Descomposición de un serie de tiempo

    • Camino aleatorio

    • Promedio móvil

    • Operador de desfasamiento

    • Procesos ARIMA

    • Pronóstico

  • Inteligencia artificial

    • Aprendizaje por refuerzo

    • Ecuación de Bellman

    • Q-Learning

    • Demostración con un automóvil autónomo