NOSOTROS
CRONOGRAMA
FRANQUICIA
BLOG
CONTACTO
ACCESO SISTEMA ACADEMICO
En 1959, Arthur Samuel, un informático que fue pionero en el estudio de la inteligencia artificial,
describió el aprendizaje automático como "el estudio que brinda a las computadoras la capacidad de aprender sin programado explícitamente ".
El artículo fundamental de Alan Turing (Turing, 1950) introdujo un estándar de referencia para demostrar la inteligencia de la máquina, de modo que una máquina tiene que ser inteligente y receptiva en un manera que no se puede diferenciar de la del ser humano.
El aprendizaje automático es una aplicación de inteligencia artificial en la que una computadora / máquina aprende de la experiencias pasadas (datos de entrada) y hace predicciones futuras. El rendimiento de tal sistema debe ser al menos a nivel humano.
Esta certificación se centra en los problemas de agrupación en clústeres para el aprendizaje automático no supervisado con K-Means. algoritmo. Para el aprendizaje automático supervisado, describiremos el problema de clasificación con un demostración del algoritmo de árboles de diseño y el de regresión con un ejemplo de regresión lineal.
Duración: 24 Horas
Cualquiera interesado en ampliar sus conocimientos en inteligencia artificial y máquina.
1.1. APRENDIZAJE AUTOMÁTICO SUPERVISADO
1.2. APRENDIZAJE AUTOMÁTICO NO SUPERVISADO
1.3. APRENDIZAJE AUTOMÁTICO DE REFUERZO
2.1. INTRODUCCIÓN
2.2. INTRODUCCIÓN A LOS DATOS
2.3. VECINOS K-MÁS CERCANOS
2.4. DISTANCIA EUCLIDIANA
2.5. CALCULAR LA DISTANCIA PARA TODAS LAS OBSERVACIONES
2.6. ALEATORIZAR Y ORDENAR
2.7. PRECIO PROMEDIO
2.8. FUNCIONES DE PREDICCIÓN
3.1. PRUEBA DE LA CALIDAD DE LAS PREDICCIONES
3.2. MÉTRICAS DE ERROR
3.3. ERROR MEDIO CUADRADO
3.4. ENTRENANDO OTRO MODELO
3.5. ERROR CUADRÁTICO MEDIO
3.6. COMPARANDO MAE Y RMSE
4.1. RESUMEN
4.2. ELIMINAR FUNCIONES
4.3. MANEJO DE VALORES PERDIDOS
4.4. NORMALIZAR COLUMNAS
4.5. DISTANCIA EUCLIDIANA PARA CASO MULTIVARIANTE
4.6. INTRODUCCIÓN A SCIKIT-LEARN
4.7. AJUSTAR UN MODELO Y HACER PREDICCIONES
4.8. CALCULAR MSE USANDO SCIKIT-LEARN
4.9. USO DE MÁS FUNCIONES
4.10. USO DE TODAS LAS FUNCIONES
5.1. RESUMEN
5.2. OPTIMIZACIÓN DE HIPERPARÁMETROS
5.3. AMPLIACIÓN DE LA BÚSQUEDA DE CUADRÍCULA
5.4. VISUALIZACIÓN DE VALORES DE HIPERPARÁMETROS
6.1. CONCEPTO
6.2. VALIDACIÓN DE EXCLUSIÓN
6.3. VALIDACIÓN CRUZADA DE K-FOLD
7.1. PROYECTO GUIADO: PREDECIR LOS PRECIOS DE LOS AUTOMÓVILES
8.1. CÁLCULO PARA EL APRENDIZAJE AUTOMÁTICO
8.2. COMPRENSIÓN DE FUNCIONES LINEALES Y NO LINEALES
8.3. COMPRENSIÓN DE LOS LÍMITES
8.4. ENCONTRAR PUNTOS EXTREMOS
9.1. ÁLGEBRA LINEAL PARA APRENDIZAJE AUTOMÁTICO
9.2. SISTEMAS LINEALES
9.3. VECTORES
9.4. ÁLGEBRA DE MATRICES
9.5. CONJUNTOS DE SOLUCIONES
10.1. REGRESIÓN LINEAL PARA APRENDIZAJE AUTOMÁTICO
10.2. EL MODELO DE REGRESIÓN LINEAL
10.3. SELECCIÓN DE CARACTERÍSTICAS
10.4. DESCENSO DE GRADIENTE
10.5. MÍNIMOS CUADRADOS ORDINARIOS FUNCIONES DE PROCESAMIENTO Y TRANSFORMACIÓN
10.6. PROYECTO GUIADO: PREDICCIÓN DE PRECIOS DE VENTA DE VIVIENDAS
11.1. REGRESIÓN LOGÍSTICA
11.2. INTRODUCCIÓN A LA EVALUACIÓN DE CLASIFICADORES BINARIOS
11.3. CLASIFICACIÓN MULTICLASE
11.4. SOBREAJUSTE
11.5. CONCEPTOS BÁSICOS DE LA AGRUPACIÓN EN CLÚSTERES
11.6. AGRUPACIÓN DE K-MEANS
11.7. PROYECTO GUIADO: PREDICCIÓN DEL MERCADO DE VALORES
12.1. ÁRBOL DE DECISIÓN
12.2. ¿POR QUÉ UTILIZAR ÁRBOLES DE DECISIÓN?
12.3. TERMINOLOGÍAS DE ÁRBOLES DE DECISIÓN
12.4. ¿CÓMO FUNCIONA EL ALGORITMO DEL ÁRBOL DE DECISIÓN?
12.5. PODA: OBTENER UN ÁRBOL DE DECISIONES ÓPTIMO
12.6. VENTAJAS DEL ÁRBOL DE DECISIONES
12.7. DESVENTAJAS DEL ÁRBOL DE DECISIONES
12.8. IMPLEMENTACIÓN DE PYTHON DEL ÁRBOL DE DECISIONES
12.9. PROYECTO GUIADO: PREDECIR EL ALQUILER DE BICICLETAS
12.10. REFERENCIAS Y BIBLIOGRAFÍA
La inversión incluye: Material de estudio oficial de CERTIPROF, certificados e impuestos de ley.