Resumen
This course provides a comprehensive introduction to the Fundamentals of Machine Learning, covering both conceptual understanding and practical implementation across modern machine learning workflows. It focuses on building strong core foundations, preparing and evaluating data, applying supervised and unsupervised learning techniques, and implementing scalable machine learning solutions using cloud platforms such as AWS and Azure.
Participants will gain hands-on experience in developing, training, evaluating, and optimizing machine learning models, along with exposure to advanced techniques such as GPU-accelerated workflows and MLOps. Real-world use cases, demos, and step-by-step guidance are included to ensure learners can confidently apply machine learning concepts in practical scenarios.
By the end of this course, you will be able to learn how to:
Understand and explain core machine learning concepts, terminology, and workflows Differentiate between AI, Machine Learning, and Deep Learning Prepare, preprocess, and evaluate data for machine learning models Build and evaluate supervised learning models for classification and regression problems Apply unsupervised learning techniques for clustering and pattern discovery Optimize models using cross-validation, hyperparameter tuning, and performance metrics Leverage GPU-accelerated workflows for large-scale machine learning tasks Design and implement machine learning solutions on AWS Build, manage, and operationalize ML workflows using Azure Machine Learning and MLOps best practices This course facilitates learners with approximately 6:
30–7:
00 hours of video lectures, delivering a balanced mix of theory and hands-on demonstrations. The course is divided into 6 modules, and each module is further split into focused lessons.
To reinforce learning, each module includes assignments in the form of quizzes and in-video questions. Course Modules Module 1:
Building Core Concepts and Foundations of Machine Learning Module 2:
ML Development, Data Preparation, and Evaluation Module 3:
Unsupervised Learning Techniques – Clustering and Pattern Discovery Module 4:
Advanced Machine Learning Techniques and GPU-Accelerated Workflows Module 5:
Designing and Implementing Machine Learning Solutions on AWS Module 6:
Building & Managing ML Workflows with Azure Machine Learning and MLOps This course is ideal for learners and professionals who want to build a strong foundation in machine learning and progress toward real-world, cloud-based ML implementations using industry-standard tools and best practices.
Programa
- Construyendo Conceptos Fundamentales y Bases de ML
Bienvenidos a la Semana 1 del curso Fundamentos de Aprendizaje Automático. En esta semana, se te introducirán los conceptos fundamentales del aprendizaje automático y establecerás expectativas claras sobre lo que aprenderás a lo largo del curso. Comenzaremos entendiendo qué es el aprendizaje automático y cómo se diferencia de la inteligencia artificial y el aprendizaje profundo. Explorarás los principales tipos de aprendizaje automático y obtendrás una comprensión básica del aprendizaje supervisado, incluyendo técnicas de clasificación y regresión. También repasaremos los pasos de principio a fin implicados en la construcción de una solución de aprendizaje automático.
- Desarrollo de ML, Preparación de Datos y Evaluación
Bienvenidos a la Semana 2. Esta semana se centra en los aspectos prácticos de construir y evaluar modelos de aprendizaje automático. Aprenderás cómo preparar datos mediante técnicas de preprocesamiento, seleccionar y entrenar modelos adecuados, y evaluar su rendimiento utilizando métricas estándar. A través de demostraciones prácticas, explorarás tareas de clasificación, entenderás las matrices de confusión y aplicarás métricas de evaluación tanto para modelos de clasificación como de regresión. Al final de la semana, podrás evaluar el rendimiento de los modelos de manera efectiva y tomar decisiones informadas durante el proceso de entrenamiento y evaluación del modelo.
- Técnicas de Aprendizaje No Supervisado: Agrupamiento y Descubrimiento de Patrones
Bienvenidos a la Semana 3. Esta semana nos sumergiremos en las técnicas de aprendizaje automático no supervisado utilizadas para descubrir patrones ocultos y estructuras en los datos. Aprenderás los fundamentos del agrupamiento, incluyendo K-Means, agrupamiento jerárquico y agrupamiento basado en densidad, junto con demostraciones prácticas. También exploraremos la minería de reglas de asociación para entender las relaciones dentro de los conjuntos de datos. Al final de la semana, serás capaz de aplicar métodos de aprendizaje no supervisado para descubrir conocimientos sin datos etiquetados.
- Técnicas Avanzadas de ML y Flujos de Trabajo Acelerados por GPU
Bienvenidos a la Semana 4. Esta semana nos centraremos en técnicas avanzadas de aprendizaje automático y optimización del rendimiento. Serás introducido a NVIDIA RAPIDS y aprenderás cómo las GPUs pueden acelerar significativamente el procesamiento de datos y flujos de trabajo de aprendizaje automático a través de demostraciones prácticas. Exploraremos técnicas de optimización de modelos como la validación cruzada usando GridSearch y RandomizedSearch para mejorar el rendimiento y la fiabilidad del modelo. Finalmente, aprenderás los fundamentos del análisis de series temporales utilizando el modelo ARIMA e implementarlo a través de demostraciones prácticas. Al final de la semana, serás capaz de optimizar flujos de trabajo de ML, seleccionar modelos bien ajustados y aplicar técnicas de series temporales a problemas de pronóstico del mundo real.
- Diseño e Implementación de Soluciones de Aprendizaje Automático en AWS
Bienvenidos a la Semana 5. Esta semana se centra en la aplicación del aprendizaje automático en escenarios del mundo real. Aprenderás cómo identificar casos de uso adecuados para el aprendizaje automático, comprender las diferencias entre inteligencia artificial, aprendizaje automático y aprendizaje profundo, y explorar los servicios de AWS que respaldan cargas de trabajo de ML. También cubriremos cómo se usan los modelos de ML y aprendizaje profundo en producción, incluyendo el servicio de datos para entrenamiento de modelos y el diseño de estrategias efectivas de ingesta de datos. Al final de la semana, serás capaz de alinear las soluciones de ML con las necesidades del negocio y diseñar flujos de trabajo de ML prácticos y listos para producción.
- Construyendo y Gestionando Flujos de Trabajo de ML con Azure ML y MLOps
Bienvenidos a la Semana 6. Esta semana se centra en la construcción y operacionalización de soluciones de aprendizaje automático usando Azure Machine Learning y prácticas de MLOps. Aprenderás cómo organizar y gestionar entornos de Azure Machine Learning, entender el rol del espacio de trabajo de Azure Machine Learning y explorar el flujo de trabajo de extremo a extremo involucrado en el desarrollo, entrenamiento y despliegue de modelos de aprendizaje automático. La semana también introduce conceptos fundamentales de aprendizaje automático, incluidas los diferentes tipos de tareas de aprendizaje automático, algoritmos comúnmente usados y el uso de AutoML para simplificar la selección y optimización de modelos. Al final de la semana, serás capaz de diseñar una arquitectura de MLOps efectiva e implementar flujos de trabajo de aprendizaje automático estructurados, escalables y listos para producción utilizando Azure Machine Learning.
Impartido por
Whizlabs Instructor
Materias
Computer Science
