Este módulo proporciona una vista general en cómo funciona el Machine Learning, qué puede y qué no puede hacer, y cómo se utiliza comúnmente en soporte a las metas del negocio. El módulo cubre los tipos de algoritmos comunes y además explica cómo trabajan los sistemas de Machine Learning tras bambalinas.

Se cubren los siguientes temas principales:

• Factores tecnológicos y de negocio de Machine Learning
• Beneficios y retos de Machine Learning
• Escenarios de uso de Machine Learning
• Conjuntos de datos, datos estrucutrados, no estructurados y  semi estructurados
• Modelos, algoritmos, aprendizaje y entrenamiento de modelos
• Cómo funciona el Machine Learning
• Recopilación y pre-procesamiento de datos de entrenamiento
• Selección de algoritmos y modelos
• Entrenamiento de modelos y despliegue de modelos entrenados
• Algoritmos y prácticas de Machine Learning
• Aprendizaje supervisado, clasificación, árbol de decisiones
• Regresión, métodos de ensamble, reducción de dimensiones
• Aprendizaje no supervisado y agrupamiento
• Aprendizaje semisupervisado y por refuerzo
• Mejores prácticas de Machine Learning
• Cómo funcionan los sistemas de Machine Learning
• Mecanismos comunes de Machine Learning
• Cómo se utilizan los mecanismos en el entrenamiento de modelos
• Machine Learning y Deep Learning, Inteligencia artificial (IA)

Este módulo proporciona una cobertura esencial de la inteligencia artificial y las redes neuronales. El módulo proporciona una cobertura concreta de las partes principales de IA, incluyendo enfoques de aprendizaje, áreas funcionales en las que se usan los sistemas de IA y una introducción completa a las redes neuronales, cómo existen, cómo trabajan y cómo pueden ser usadas para procesar información. El curso establece los cinco principales requerimientos de negocio para los que se utilizan los sistemas de IA y las redes neuronales, y luego mapea las prácticas individuales, los enfoques de aprendizaje, las funcionalidades y los tipos de redes neuronales a estas categorías de negocio y unos a otros, de manera que haya un entendimiento claro del propósito y del papel de cada tema que se cubre. El curso establece un proceso paso a paso para ensamblar un sistema de IA, ilustrando así cómo y cuándo necesitan ser definidos y aplicados los diferentes componentes y prácticas de los sistemas IA con las redes neuronales. Finalmente, el curso proporciona un conjunto de principios y mejores prácticas clave para los proyectos de IA.

Se cubren los siguientes temas principales:

• Factores tecnológicos y de negocio de IA
• Beneficios y retos de IA
• Categorías de problemas de negocio que aborda la IA
• Tipos de IA (angosta, general, simbólica, no simbólica, etc.)
• Enfoques y algoritmos comunes de aprendizaje de la IA
• Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje continuo
• Aprendizaje heurístico, aprendizaje semisupervisado,  aprendizaje por refuerzo
• Diseños funcionales comunes de IA
• Visión por computadora, reconocimiento de patrones
• Robóticas, procesamiento del lenguaje natural (NLP)
• Reconocimiento del habla, comprensión del lenguaje natural (NLU)
• Integración sin fricción, integración del modelo de tolerancia a fallas
• Redes neuronales, neuronas, capas, enlaces, pesos
• Cómo entender los modelos de IA, modelos de entrenamiento y redes neuronales
• Cómo entender la manera en que existen los modelos y las redes neuronales
• Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época
• Funciones de activación (Sigmoide, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
• Tipos de células neuronales (de entrada, retroalimentada, ruidosa, escondida, probabilística, en espiga, recurrente, de memoria, de núcleo, convolucional, de grupo, de salida, de coincidencia de entrada, etc.)
• Arquitecturas fundamentales y especializadas de redes neuronales
• Perceptrón, compensación, compensación profunda, autocodificador, recurrente, memoria de corto/largo plazo
• Red convolucional profunda, máquina de aprendizaje extremo, red residual profunda
• Máquina de vector de soporte, red de Kohonen, red de Hopfield
• Red generativa adversarial, máquina en estado líquido
• Cómo construir un sistema de IA (paso a paso)
• Principios comunes de diseño de sistemas de IA y mejores prácticas de proyectos de IA