Los investigadores del aprendizaje de máquinas buscan algoritmos y heurísticas para convertir muestras de datos en programas de computadora, sin tener que escribir los últimos explícitamente. Los modelos o programas resultantes deben ser capaces de generalizar comportamientos e inferencias para un conjunto más amplio (potencialmente infinito) de datos.
Duración: 30 Horas
1.1. INTRODUCCIÓN
1.2. INTRODUCCIÓN A CLOUD MACHINE LEARNING
1.3. ¿POR QUÉ EJECUTAR CARGAS DE MACHINE LEARNING EN LA NUBE?
2.1. APIS PARA DIFERENTES USOS DE MACHINE LEARNING
2.2. COMPRENDIENDO LAS APIS DE MACHINE LEARNING
2.3. CONFIGURANDO EL PROYECTO
2.4. GUARDAR IMÁGENES EN CLOUD STORAGE
2.5. GUARDAR DATOS EN FIREBASE
2.6. GENERAR COMENTARIOS EN TU PROYECTO
2.7. USAR CLOUD VISION PARA ANALIZAR IMÁGENES
2.8. USAR EL NLP API PARA ANALIZAR EL SENTIMIENTO
2.9. ANALIZAR LA RESPUESTA DEL NLP EN API
2.10. DEPLOY Y FIREBASE
3.1. INTRODUCCIÓN Y CASO DE ESTUDIO: AUTOML
3.2. PREPARAR DATOS DE AUTOML
3.3. ENTRENAR Y PREDECIR CON TU MODELO
3.4. EVALUAR TU MODELO
3.5. CONSEJOS PARA EL ENTRENAMIENTO
4.1. ¿QUÉ ES BIGQUERY MACHINE LEARNING?
4.2. INTRODUCCIÓN A LA CONSOLA DE BIGQUERY MACHINE LEARNING
4.3. CREAR Y PREDECIR CON BIGQUERY MACHINE LEARNING
5.1. ¿QUÉ ES CLOUD MACHINE LEARNING ENGINE?
5.2. ENTRENAR UN MODELO CON CLOUD MACHINE LEARNING ENGINE
5.3. SERVICIO DE UN MODELO CON CLOUD MACHINE LEARNING ENGINE
6.1. INTRODUCCIÓN A MACHINE LEARNING EN LA FRONTERA (TF.JS Y EDGE TPU, KUBFLOW)
6.2. ¿CÓMO SE USA MACHINE LEARNING PARA PREDECIR DATOS?
La inversión incluye: Material de estudio, certificados e impuestos de ley.