Ingresando al Mundo de Machine Learning

Duración: 40 horas

Código: MLG-001

Descripción:

El aprendizaje automático o aprendizaje automatizado o aprendizaje de máquinas (del inglés, machine learning) es el subcampo de las ciencias de la computación y una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que las computadoras aprendan. Se dice que un agente aprende cuando su desempeño mejora con la experiencia; es decir, cuando la habilidad no estaba presente en su genotipo o rasgos de nacimiento.

De forma más concreta, los investigadores del aprendizaje de máquinas buscan algoritmos y heurísticas para convertir muestras de datos en programas de computadora, sin tener que escribir los últimos explícitamente. Los modelos o programas resultantes deben ser capaces de generalizar comportamientos e inferencias para un conjunto más amplio (potencialmente infinito) de datos.

En muchas ocasiones el campo de actuación del aprendizaje automático se solapa con el de la estadística inferencial, ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el aprendizaje automático incorpora las preocupaciones de la complejidad computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigación realizada en aprendizaje automático está enfocada al diseño de soluciones factibles a esos problemas. El aprendizaje automático también está estrechamente relacionado con el reconocimiento de patrones. El aprendizaje automático puede ser visto como un intento de automatizar algunas partes del método científico mediante métodos matemáticos. Por lo tanto es un proceso de inducción del conocimiento.

El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.

Objetivos:

Al finalizar el curso el participante será capaz de:

  • Implementar regresión logística usando Pytorch
  • Representar datasets con tensores
  • Crear clasificadores de imágenes binarios
Audiencia:
Prerrequisitos:
  • Conocimientos en Algoritmos.
Contenido:
  1. Conceptos básicos de Machine Learning
    1. Terminología de Machine Learning
    2. Terminología y regresión lineal
    3. Training amp; Loss: Entrenar y ajustar el modelo
  2. Trabajando con Pytorch
    1. Introducción a Pytorch, trabajar con tensores y representar datasets con tensores
    2. Trabajando con tensores
    3. Representando datasets con tensores
  3. Implementaciones de algoritmos de Machine Learning en Pytorch
    1. Implementación de regresión lineal en Pytorch
    2. Regresión logística
    3. Implementación de regresión logística en Pytorch
  4. Redes Neurales y reconocimiento de imágenes
    1. Cómo funciona el reconocimiento facial
    2. Neuronas y función de activación.
    3. Usando un modelo pre entrenado para reconocimiento de imágenes
    4. Trabajando un dataset
  5. Reconocimiento de imágenes
    1. Construyendo un modelo
    2. Implementando un clasificador totalmente conectado
    3. Mejoras, limitaciones y conclusiones
  6. Collab con Scikit
    1. Aprendiendo a usar Collab con scikit
    2. Demo con Scikit: división de datos
    3. Demo con Scikit: validación de datos
  7. Algoritmos más usados en Machine Learning
    1. Los algoritmos más usados en Machine Learning
    2. Algoritmos supervisados en Machine Learning
    3. Algoritmos no supervisados en Machine Learning
  8. Redes neuronales y herramientas
    1. ¿Qué es lo que está detrás de una red neuronal?
    2. ¿Cómo funciona una red convolucional intuitivamente y porque son tan buenas con imágenes?
    3. Redes generativas
Costos:

Este costo incluye: Material de seguimiento, Material de estudio, el uso de una computadora por persona, certificados, refrigerios e impuestos de ley.