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)

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

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