Curso Intensivo de Machine Learning

¿Quiéres aprender Machine Learning rápidamente?

En el Curso Intensivo de Machine Learning hemos condensado años de experiencia en 4 horas.

¿A quién está destinado el Curso Intensivo de Machine Learning?

Aunque todo el mundo puede beneficiarse del Curso Intensivo de Machine Learning, lo hemos diseñado pensando en estos tres tipos de audiencias:

Jefes de Proyectos

  • supervisión efectiva del equipo
  • contribuir con ideas propias
  • estimar mejor recursos necesarios y riesgos asociados
  • ganar confianza en tus decisiones

 

Desarrolladores Software

  • transición a Científico de Datos
  • usar ML en proyectos software
  • con facilidad para aprender
  • ganar confianza en tus decisiones

 

Principiantes

  • construir una base sólida
  • entender cómo funciona y qué técnicas aplicar en cada caso
  • mejorar rápidamente
  • ganar confianza en tus decisiones

 

Curso Intensivo de Machine Learning

Años de experiencia condensados en 4 horas
€295
245
  • Rápido ~ 4 horas
  • En castellano
  • Vídeos en alta calidad
  • Acceso ilimitado
  • Certificado de finalización

¿Quién imparte el curso?

Jose Martinez Heras en la Agencia Espacial Europea
José Martínez Heras dando clase de Machine Learning en la Agencia Espacial Europea

José Martínez Heras es Ingeniero Informático por la Universidad de Málaga. Lleva más de 15 años trabajando para la Agencia Espacial Europea en sistemas de datos y machine learning. José tiene varias patentes en los campos de detección automática de anomalías, diagnóstico de problemas y compresión de datos. José también ha trabajado en el Banco Central Europeo en analítica avanzada con datos de supervisión bancaria.

Temario

El Curso Intensivo de Machine Learning cubre los siguientes temas:

  • Diferencia entre Inteligencia Artificial y Machine Learning
  • Cómo funciona el Machine Learning a grandes rasgos
  • Qué tipos de problemas se pueden resolver con Machine Learning y cuáles no
  • Cuándo merece la pena proponer Machine Learning para resolver un problema
  • Ejemplos de problemas que se están resolviendo con Machine Learning
  • Tipos de aprendizaje automático
  • Diferencias entre problemas de clasificación y regresión
  • Fases de los proyectos de Machine Learning
  • Cómo estimar la calidad de los modelos de Machine Learning

La regresión lineal, aunque es simple, proporciona la clave para entender muchos de las técnicas de Machine Learning. En particular veremos:

  • Método de los mínimos cuadrados
  • Método del gradiente descendente
  • ¿Por qué es necesario normalizar los datos?
  • Regularización Lasso, Ridge y ElasticNet
  • Regresión Polinómica
  • ¿Cuándo usar regresión lineal / polinómica?
  • ¿Qué regularización conviene usar para cada tipo de problema?
  • Error Cuadrático Medio como métrica de regresión
  • Ejemplos
  • ¿En qué consiste la Regresión Logística?
  • ¿Cómo funciona?
  • Regularización Lasso, Ridge y ElasticNet en Regresión Logística
  • ¿Para qué problemas está recomendada?
  • Métricas de clasificación: Precision, Recall, F1, Accuracy, Matrix de Confusión
  • Ejemplos
  • ¿Qué son las Máquinas de Vectores de Soporte (Support Vector Machines)?
  • ¿Cómo funcionan?
  • ¿Cuáles son sus ventajas / desventajas con respecto a otras técnicas?
  • Regularización en SVM
  • Ejemplos
  • ¿Qué son los Árboles de Decisión?
  • ¿Cómo funcionan?
  • ¿Para qué problemas están indicados?
  • Ventajas e inconvenientes de los Árboles de Decisión
  • Regularización en Árboles de Decisión
  • Ejemplos
  • Ensembles: voting, bagging, boosting, stacking
  • Bosque Aleatorio como ensemble de árboles de decisión
  • ¿Cómo se combinan las predicciones de los árboles?
  • ¿Combinaciones no estándar que te pueden ser útiles?
  • Ventajas e Inconvenientes de los bosques aleatorios con respecto a los árboles de decisión
  • Ventajas e Inconvenientes de los bosques aleatorios con respecto a otras técnicas de Machine Learning
  • Ejemplos
  • ¿Qué son las Redes Neuronales y cómo aprenden?
  • ¿En qué se diferencia una red neuronal del aprendizaje profundo?
  • ¿Qué ha hecho posible el aprendizaje profundo además de mayor capacidad de cálculo y más datos?
  • ¿En qué casos el aprendizaje profundo es mejor que el machine learning clásico … y al contrario?
  • Regularización en Deep Learning
  • Convoluciones en aprendizaje profundo para procesado de imágenes
  • Transferencia de aprendizaje 
  • Redes neuronales recurrentes
  • Redes neuronales generativas adversarias
  • Reducción de dimensionalidad
  • Análisis de Componentes Principales (PCA)
  • Detección de anomalías
  • Agrupamiento (Clustering)
  • K-means
  • Ejemplos
  • representación de textos como un conjunto de palabras
  • vectorización de textos
  • tf-idf
  • extracción automática de temas
  • machine learning con textos
  • embeddings: word2vec, globe
  • álgebra vectorial en embeddings

No dejes pasar esta oportunidad para aprender Machine Learning

Curso Intensivo de Machine Learning

Años de experiencia condensados en 4 horas
€295
245
  • Rápido ~ 4 horas
  • En castellano
  • Vídeos en alta calidad
  • Acceso ilimitado
  • Certificado de finalización