Especialista en Aprendizaje Automático (Machine Learning)
TEMARIO [ELI]
Módulo 7: Fundamentos de Machine Learning
Este curso proporciona una vista general fácil de entender sobre el Machine Learning para cualquier interesado en cómo funciona, 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 8: Machine Learning Avanzado
Este módulo profundiza en la amplia variedad de algoritmos, métodos y modelos de las prácticas contemporáneas de Machine Learning para explorar cómo se pueden resolver muchos de los diferentes problemas de negocio utilizando y combinando técnicas probadas de Machine Learning.
Se cubren los siguientes temas principales:
- Patrones de exploración de datos
- Cálculo de tendencia central, cálculo de variabilidad
- Cálculo de asociatividad, cálculo de resumen gráfico
- Patrones de reducción de datos
- Selección de características, extracción de características
- Patrones de manipulación de datos
- Imputación de características, codificación de características
- Discretización de características, estandarización de características
- Patrones de aprendizaje supervisado
- Predicción numérica, predicción de categorías
- Patrones de aprendizaje no supervisado
- Descubrimiento de categorías, descubrimiento de patrones
- Patrones de evaluación de modelos, modelado de referencia
- Evaluación del desempeño de entrenamiento, evaluación del desempeño de predicción
- Patrones de optimización de modelos
- Aprendizaje conjunto, reentrenamiento frecuente del modelo
- Implementación de modelos ligeros, aprendizaje incremental del modelo
Módulo 9: Laboratorio de Machine Learning
Este módulo del curso presenta a los participantes una serie de ejercicios y problemas diseñados para poner a prueba su capacidad para aplicar sus conocimientos sobre los temas tratados en los módulos anteriores. Completar este laboratorio ayudará a resaltar las áreas que requieren mayor atención y ayudará a demostrar el dominio de los sistemas y técnicas de Machine Learning ya que se aplican y combinan para resolver problemas del mundo real.
Se cubren los siguientes ejercicios:
- Ejercicio de lectura 9.1: Mini caso de estudio: Empresa de I+D RHE
- Ejercicio de laboratorio 9.2: Recuperación de los datos de entrenamiento
- Ejercicio de laboratorio 9.3: Selección del algoritmo correcto
- Ejercicio de laboratorio 9.4: Características y representación de los modelos
- Ejercicio de laboratorio 9.5: Medición y optimización del modelo entrenado
- Ejercicio de laboratorio 9.6: Corrección de características inconsistentes
- Ejercicio de lectura 9.7: Mini caso de estudio: Institución financiera GTO
- Ejercicio de laboratorio 9.8: Identificación de los datos de las transacciones de los clientes
- Ejercicio de laboratorio 9.9: Evaluación del riesgo del cliente
- Ejercicio de laboratorio 9.10: Identificación de patrones de gasto alarmantes