Plan temático Todos los módulos están profundamente enlazados
por lo que no se ofrecen por separado.
Módulo I - Entrenamiento: estimación - Sobrecarga de funciones y operadores
- Validación - Programación funcional. Funciones que Matemáticas y Estadística: 10 horas: - Validación cruzada: método k-fold generan funciones Matemáticas: - Selección de modelos - Arreglos. Introducción a Numpy. Ope- - Álgebra Lineal - Inferencia: predicción - Vectores y Matrices raciones con arreglos. - Sensibilidad, especificidad, recuer- - Protocolos: contextos - Tensores - Productos de Tensores: vectores y do y precisión matrices Programación en Tensorflow 2- - Cálculo Diferencial Módulo II - Tensores. Algebra de tensores Introducción a Programación: 20 horas - Concepto de Derivada - Conversión de arreglos Numpy en - Gradientes Entornos de Programación y desarrollo tensores de Tensorflow - Diferenciación Automática. - Python, Anaconda - Diferenciación automática: tf.Gradient- - Optimización: Gradiente estocástico - Jupyterlab: IPython - Github: nbviewer Tape descendiente - Binder - Modelamiento Matemático - Tensorflow Programación en Keras - Elementos de modelamiento matemático - Keras: tf.keras - Perceptron Multicapa - Aproximación de funciones - Modelo Secuencial - Teorema de aproximación universal de - API funcional Desarrollo en la nube - Primera red neuronal con tf.keras redes neuronales - Google Colaboratory - Servicios Amazon: AWS Estadística, Teoría de la Decisión Módulo III y Teoría de la Información Programación en Python Introducción al Aprendizaje de Máquinas 20: - Probabilidad, probabilidad conjunta - Lógica de programación horas - Distribuciones de Probabilidad - Objetos en Python - Muestreo: muestras representativas - Tipos de variables Introducción a Inteligencia Artificial - Esperanza matemática - Estructuras de control - Conceptos básicos de IA - Entropía - Funciones - Reseña histórica y estado actual - Funciones de Pérdida - Clases y objetos - Máquinas de aprendizaje - Entropía Cruzada - Métodos y propiedades - Aprendizaje supervisado, no supervisa- - Error Cuadrático Medio - Herencia - Clases abstractas, jerarquías do y por refuerzo. - Precisión y exactitud Aprendizaje no supervisado Módulo IV Módulo VI - Conjuntos de datos: features Introducción a las Redes Neuronales: 4 Horas Autocodificadores: 4 horas - Concepto de dimensión - Capas de Entrada - Reducción de dimensión: métodos - Capas de Salida Autocodificadores generales lineales y no lineales - Capas Ocultas - Codificadores - Introducción a sklearn - Perceptron Multicapa - Decodificadores - Búsqueda de patrones - Implementación en Keras - Representación Latente - Clasificación automática (cluste- - Modelo Secuencial de Keras - Coloración de Imágenes ring): kmeans, vecinos cercanos. - API funcional de Keras - Reducción de Ruido - Arboles aleatorios de clasificación - Subclassing en Keras - Limpieza de Imágenes - Maquinas de soporte vectorial - Diseño de redes neuronales (SVM) - Regularización: L1, L2, Dropout Autocodificadores variacionales - Métodos de visualización: Mapas - Grafos de las redes: Tensorboard - Modelos Generativos auto-organizados (SOM), t-SNE - Preparación de datos de entrenamientos, - Representación Latente prueba y validación - Clasificación Automática de Textos Aprendizaje supervisado - Optimizadores, métricas. - Modelos de Teoría de Respuesta al Ítem - Datos entrenamiento, de prueba y - Compilación. de validación - Modo entrenamiento. - Regresión lineal - Modo inferencia: validación, predicción. Modulo VII - Regresión no lineal: regresión logís- Aprendizaje Profundo I: 16 horas tica Módulo V Redes Convolucionales: - Regresión multi-logit. Función soft- Redes Recurrentes (8 Horas) - Convoluciones max - Introducción - Pooling - Clasificación - Datos Secuenciales - Arboles aleatorios de regresión - Padding - Redes con Memoria - Aplanamiento (Flattening) - Sobre-ajuste - Redes LSTM, GRU, Bidireccionales - Regularización: L1, L2. - Clasificación y predicción - Ejemplo Dummy de series de tiempo - Convergencia: error cuadrático - Series de tiempo Univariadas: Predicción Redes Profundas medio(ECM), entropía cruzada del precio de acciones Redes Residuales - Implementaciones en Tensorflow 2. - Series de tiempo Multivariadas: Predicción - Modelo ResNet del clima - Modelo DenseNet - Bandas de confianza: Bootstrap - InceptionV3 - Series de tiempo muy largas Tratamiento de Imágenes Modulo VIII Modulo IX: 2 horas - Conceptos de filtros clásicos Aprendizaje Profundo II: 10 horas Introducción a Scraping - Etiquetado automático: métodos no Procesamiento de Lenguaje Natural - Conceptos básicos supervisados - Introducción al tratamiento superficial - xpath - Datos aumentados de datos - spyders - Pre-procesamiento: Open CV - Generación de texto usando caracteres - selenium - Ejemplos completos aplicados - Html crash core y redes recurrentes - Aprendizaje Profundo para datos Tratamiento de Audios textuales: word2vec - Pre-procesamiento: Librosa - Estado del arte en clasificación de Modulo X: 6 horas - Transformada de Fourier Discusiones - Trasformación de audios a imágenes documentos(2020) - Análisis de sentimiento-Tweets - Inteligencia Artificial, Sociedad y Estado - Ejemplos completos aplicados - Inteligencia Artificial en la Educación - Análisis de sentimiento-Comentario de - Inteligencia Artificial en Medicina Tratamiento de Videos películas - Inteligencia Artifical, Cienica y Arte - Pre-procesamiento con Open CV - Modelo seq2seq. - Presentación de Proyectos del Diplomado - Reducción de frames - Construcción de traductores - Reducción a blanco y negro - Generación automática de texto-Sone- - Ejemplos aplicados a análisis de senti- tos Shakespeare Tecnologías miento - Google Colab Transformers - Python 3.X - Google Drive Redes Generativas Adversarias - Transformers paso a paso - Tensorflow 2.X - Amazon AWS - Redes Adversarias - Traductor Inglés-Español - Keras: tf.Keras - Open CV - Falsificadores - Introducción a chatbots - Jupyter Lab - Librosa - Discriminadores - Binder - Nltk - Fake Objects - Github -Spacy
Aprendizaje Automático La Guía Definitiva para Principiantes para Comprender El Aprendizaje Automático (Machine Learning Guide... (Sebastian Dark (Dark, Sebastian) )