Algoritmos Avanzados de ML y Aprendizaje No Supervisado

Resumen

In this course, you will explore advanced machine learning algorithms and unsupervised learning techniques to enhance your model-building skills. You’ll learn how to improve model performance using ensemble methods like Random Forest, apply Support Vector Machines (SVM) for complex classification tasks, and reduce dimensionality with techniques like Principal Component Analysis (PCA).

By the end of the course, you'll also have an understanding of unsupervised learning through K-Means clustering and an introduction to deep learning. The course begins with an introduction to ensemble learning using Random Forests, where you'll understand how this method improves predictive model accuracy and reduces overfitting.

You will then dive into Support Vector Machines (SVM), learning to apply this powerful technique to solve complex classification problems, including how to optimize SVM models for better performance. Next, you will explore Principal Component Analysis (PCA) to reduce dimensionality and optimize model performance, enabling you to work with high-dimensional datasets more effectively.

You will also learn about K-Means clustering for unsupervised learning, focusing on how to detect patterns and anomalies in unlabeled data. Finally, the course concludes with an introduction to deep learning, exploring how this rapidly growing field builds on traditional machine learning concepts.

You will gain an understanding of how deep learning can be applied to a range of complex tasks such as image and speech recognition. This course is ideal for learners with prior experience in machine learning and Python who are ready to tackle more advanced topics.

Familiarity with statistics and linear algebra is helpful.

Programa

• Ensamble de Bosques Aleatorios
En este módulo, introduciremos Bosques Aleatorios, un método de aprendizaje en ensamble que mejora los árboles de decisión. Aprenderás a construir, optimizar y evaluar modelos de Bosques Aleatorios utilizando técnicas como la búsqueda en cuadrícula y la validación cruzada. Este módulo se centra en hacer estos modelos más robustos y precisos para aplicaciones del mundo real.
• Máquinas de Vectores de Soporte
En este módulo, introduciremos las Máquinas de Vectores de Soporte (SVM), un algoritmo avanzado utilizado para tareas de clasificación. Adquirirás experiencia práctica usando SVM para clasificar datos polinomiales, así como técnicas para optimizar modelos SVM y mejorar la precisión de las predicciones.
• Reducción de Dimensionalidad - Análisis de Componentes Principales (PCA)
En este módulo, exploraremos el Análisis de Componentes Principales (PCA), una técnica clave para reducir la dimensionalidad de conjuntos de datos complejos. Aprenderás a calcular y aplicar PCA en escenarios prácticos, comprendiendo cómo puede mejorar el rendimiento de los modelos de aprendizaje automático al simplificar los datos mientras se retiene la información esencial.
• Aprendizaje No Supervisado usando Clusters K-Means
En este módulo, nos centraremos en la segmentación K-Means, una técnica poderosa de aprendizaje no supervisado. Aprenderás cómo aplicar K-Means para segmentar datos, optimizar clusters y evaluar el rendimiento del modelo. Este módulo enfatiza la experiencia práctica para asegurar que puedas aplicar K-Means en conjuntos de datos del mundo real de manera efectiva.
• Introducción al Aprendizaje Profundo
En este módulo, introduciremos el aprendizaje profundo, una tecnología transformadora en inteligencia artificial. Aprenderás los principios básicos detrás de los modelos de aprendizaje profundo, explorarás sus aplicaciones y obtendrás información sobre el potencial del aprendizaje profundo en diversas industrias. Este módulo sirve como base para temas más avanzados en aprendizaje profundo.

---

Impartido por

Packt - Course Instructors

---

Materias

Computer Science