¿Quiere saber cómo mejorar la exactitud de los modelos de AA?, ¿cómo puede averiguar qué columnas de datos crean los atributos más útiles? Le damos la bienvenida a Feature Engineering, donde analizaremos los atributos buenos y los malos, y cómo los puede preprocesar y transformar para aprovecharlos al máximo en sus modelos.
Este curso forma parte de Programa Especializado - Machine Learning with TensorFlow on Google Cloud Platform en Español
ofrecido por
Acerca de este Curso
Habilidades que obtendrás
ofrecido por

Google Cloud
We help millions of organizations empower their employees, serve their customers, and build what’s next for their businesses with innovative technology created in—and for—the cloud. Our products are engineered for security, reliability, and scalability, running the full stack from infrastructure to applications to devices and hardware. Our teams are dedicated to helping customers apply our technologies to create success.
Programa - Qué aprenderás en este curso
Introducción
¿Desea saber cómo mejorar la precisión de sus modelos de AA? ¿Cuál es la forma de saber qué columnas de datos se prestan para las funciones más útiles? Bienvenido a Feature Engineering, el curso en el que hablaremos de cómo reconocer buenas funciones, y cómo puede preprocesarlas y transformarlas para usarlas de forma óptima en sus modelos.
Conversión de datos sin procesar en funciones
La ingeniería de funciones es a menudo la etapa más larga y más difícil en el desarrollo de un proyecto de AA. En el proceso de ingeniería de funciones, comienza con los datos sin procesar y usa su propio conocimiento del dominio para crear funciones que hagan funcionar sus algoritmos de aprendizaje automático. En este módulo, exploraremos qué hace que una función sea buena y cómo representarla en su modelo de AA.
Preprocesamiento y creación de funciones
En esta sección del módulo, se tratarán el preprocesamiento y la creación de funciones, que son técnicas de procesamiento de datos que pueden ayudarlo a preparar un conjunto de funciones para un sistema de aprendizaje automático.
Combinaciones de funciones
En el aprendizaje automático tradicional, las combinaciones de funciones no juegan un papel muy importante, pero con los métodos actuales de AA, estas combinaciones son una herramienta muy valiosa. En este módulo, aprenderá a reconocer los tipos de problemas en los que las combinaciones de funciones representan una excelente manera de ayudar al aprendizaje automático.
TF Transform
TensorFlow Transform (tf.Transform) es una biblioteca para preprocesar datos con TensorFlow. Es útil para el preprocesamiento que requiere un pasaje completo de los datos, como la normalización de un valor de entrada según la media y la desviación estándar, la conversión a entero de un vocabulario mediante un examen de todos los ejemplos de entradas para los valores, la organización en depósitos de las entradas según la distribución de datos observada. En este módulo, exploraremos los casos prácticos para tf.Transform.
Resumen
Aquí resumimos los puntos más importantes aprendidos en cada módulo sobre la ingeniería de funciones: Cómo seleccionar buenas funciones, cómo preprocesar a gran escala, cómo usar combinaciones de funciones y cómo practicar con TensorFlow.
Reseñas
Principales reseñas sobre FEATURE ENGINEERING EN ESPAÑOL
it is hard with so many new tools, I will have to watch it again if anytime i need to use it
Mu y interesante y practico. Aclara los conceptos para preparación de datos
Acerca de Programa especializado: Machine Learning with TensorFlow on Google Cloud Platform en Español
¿Qué es el aprendizaje automático? ¿Qué tipos de problemas puede solucionar? ¿Cuáles son las cinco fases para convertir un posible caso práctico en un recurso que pueda aprovechar la tecnología de aprendizaje automático? ¿Por qué es importante no saltarse fases? ¿Por qué las redes neuronales son tan populares? ¿Cómo plantear un problema de aprendizaje supervisado y encontrar una buena solución generalizable mediante un descenso de gradientes y una forma meditada de crear conjuntos de datos? Aprenda a escribir modelos de aprendizaje automático distribuido que escalen en Tensorflow y que brinden predicciones de alto rendimiento. Convierta los datos sin procesar en funciones de una forma que permita al AA aprender características importantes de los datos y aportar una percepción humana para abordar los problemas. Por último, aprenda a incorporar la combinación adecuada de parámetros que desarrolle modelos generalizados y exactos, y conozca la teoría para solucionar determinados tipos de problemas de AA. Experimentará con el AA de extremo a extremo, a partir de la construcción de una estrategia centrada en el AA y el avance hacia el entrenamiento, optimización y producción de modelos con labs prácticos mediante Google Cloud Platform.

Preguntas Frecuentes
¿Cuándo podré acceder a las lecciones y tareas?
¿Qué recibiré si me suscribo a este Programa especializado?
¿Cuál es la política de reembolsos?
¿Hay ayuda económica disponible?
¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.