Algoritmos Avanzados de ML y Aprendizaje No Supervisado

Resumen

En este curso, explorarás algoritmos avanzados de aprendizaje automático y técnicas de aprendizaje no supervisado para mejorar tus habilidades en la construcción de modelos. Aprenderás a mejorar el rendimiento de los modelos utilizando métodos de ensamblado como Random Forest, aplicar Máquinas de Vectores de Soporte (SVM) para tareas de clasificación complejas, y reducir la dimensionalidad con técnicas como el Análisis de Componentes Principales (PCA).

Al finalizar el curso, también tendrás un entendimiento del aprendizaje no supervisado a través del agrupamiento K-Means y una introducción al aprendizaje profundo. El curso comienza con una introducción al aprendizaje de ensamblado usando Random Forests, donde comprenderás cómo este método mejora la precisión del modelo predictivo y reduce el sobreajuste.

Luego te adentrarás en las Máquinas de Vectores de Soporte (SVM), aprendiendo a aplicar esta potente técnica para resolver problemas de clasificación complejos, incluyendo cómo optimizar modelos SVM para un mejor rendimiento. A continuación, explorarás el Análisis de Componentes Principales (PCA) para reducir la dimensionalidad y optimizar el rendimiento del modelo, permitiéndote trabajar con conjuntos de datos de alta dimensionalidad de manera más efectiva.

También aprenderás sobre el agrupamiento K-Means para el aprendizaje no supervisado, centrándote en cómo detectar patrones y anomalías en datos no etiquetados. Finalmente, el curso concluye con una introducción al aprendizaje profundo, explorando cómo este campo en rápido crecimiento se basa en conceptos tradicionales de aprendizaje automático.

Obtendrás una comprensión de cómo el aprendizaje profundo puede aplicarse a una gama de tareas complejas como el reconocimiento de imágenes y voz. Este curso es ideal para aprendices con experiencia previa en aprendizaje automático y Python que estén listos para abordar temas más avanzados.

La familiaridad con estadísticas y álgebra lineal es de ayuda.

Programa de estudio

• 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.

Enseñado por

Packt - Course Instructors

Asignaturas

Ciencias de la Computación