Consultor en Ciencia de Datos
TEMARIO [ELI]
Módulo 7: Fundamentos de Machine Learning
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)
Módulo 10: Fundamentos de Inteligencia Artificial
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