Comenzaremos con la historia del aprendizaje automático y discutiremos por qué las redes neuronales actualmente dan tan buenos resultados para una gran variedad de problemas de la ciencia de datos. Luego, veremos cómo configurar un problema de aprendizaje supervisado y encontrar una buena solución mediante el descenso de gradientes. Para esto, será necesario crear conjuntos de datos que permitan la generalización. Hablaremos sobre los métodos para hacerlo de una forma repetible que respalde la experimentación.
Este curso forma parte de Programa Especializado - Machine Learning with TensorFlow on Google Cloud Platform en Español
ofrecido por
Acerca de este Curso
4,205 vistas recientes
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel intermedio
Aprox. 7 horas para completar
Español (Spanish)
Subtítulos: Francés (French), Portugués (de Brasil), Alemán (German), Inglés (English), Español (Spanish), Japonés
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel intermedio
Aprox. 7 horas para completar
Español (Spanish)
Subtítulos: Francés (French), Portugués (de Brasil), Alemán (German), Inglés (English), Español (Spanish), Japonés
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
4 minutos para completar
Introducción
En este curso, obtendrá conocimientos fundamentales sobre el AA que le brindarán una comprensión más clara de la terminología que usamos durante la especialización. También conocerá sugerencias prácticas y resolverá problemas comunes de los especialistas en AA de Google, de manera que cuando termine el curso cuente con el código y el conocimiento suficientes para poner en marcha sus propios modelos de AA.
4 minutos para completar
1 video (Total 4 minutos)
1 video
2 horas para completar
AA en la práctica
En este módulo, presentaremos algunos de los principales tipos de aprendizaje automático y repasaremos la historia del AA hasta la situación actual con el fin de acelerar su crecimiento como especialista en el tema.
2 horas para completar
10 videos (Total 62 minutos)
10 videos
Aprendizaje supervisado5m
Regresión y clasificación11m
Breve reseña del AA: Regresión lineal7m
Breve reseña del AA: Perceptrón5m
Breve reseña del AA: Redes neuronales7m
Breve reseña del AA: Árboles de decisión5m
Breve reseña del AA: Métodos de kernel4m
Breve reseña del AA: Bosques aleatorios4m
Breve reseña del AA: Redes neuronales modernas8m
1 ejercicio de práctica
Cuestionario del módulo30m
2 horas para completar
Optimización
En este módulo, explicaremos cómo optimizar sus modelos de AA.
2 horas para completar
13 videos (Total 61 minutos)
13 videos
Introducción42s
Definición de modelos de AA4m
Presentación del conjunto de datos sobre natalidad6m
Introducción a las funciones de pérdida6m
Descenso de gradientes5m
Solución de problemas de una curva de pérdidas2m
Problemas con el modelo de AA6m
Lab: Presentación de TensorFlow Playground6m
Lab: TensorFlow Playground avanzado3m
Lab: Práctica con redes neuronales6m
Solución de problemas en la curva de pérdidas1m
Métricas de rendimiento3m
Matriz de confusión5m
1 ejercicio de práctica
Module Quiz30m
4 horas para completar
Generalización y muestreo
Ahora debemos hacernos una pregunta un tanto extraña: ¿Cuándo es mejor no elegir el modelo de AA más preciso? Como mencionamos en el módulo anterior sobre optimización, el hecho de que un modelo tenga una métrica de pérdida de 0 con el conjunto de datos de entrenamiento no implica necesariamente que dé buenos resultados con datos nuevos en un caso práctico real.
4 horas para completar
9 videos (Total 64 minutos)
9 videos
Generalización y modelos de AA6m
Cuándo detener el entrenamiento de modelos5m
Cree muestras repetibles en BigQuery6m
Demostración: División de conjuntos de datos en BigQuery8m
Introducción al lab1m
Explicación de la solución del lab9m
Introducción al lab2m
Explicación de la solución del lab23m
1 ejercicio de práctica
Cuestionario del módulo30m
3 minutos para completar
Resumen
3 minutos para completar
1 video (Total 3 minutos)
1 video
Reseñas
Principales reseñas sobre LAUNCHING INTO MACHINE LEARNING EN ESPAÑOL
por PD16 de jul. de 2019
Muy buen material, las explicaciones son muy claras y didacticas. Se puede mejorar con mas ejemplos sobre la aplicacion de los conceptos tratados en las clases y su aplicación en la vida real
por SG29 de dic. de 2018
Es algo confuso para los que no sabemos de SQL, pero al final se logra aprender acerca de como generar buenos Datasets mediante BigQuery y en general de uno propio.
por AA22 de nov. de 2018
Es muy útil este modulo para hacer el análisis de los datos y obtener una metodología para repetir los datos de entrenamiento, prueba y validación.
por G27 de oct. de 2020
Muy buen curso para personas que apenas estamos entrando a esta área de conocimiento. Muy claras las explicaciones y muy buenos los laboratorios
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
¿Puedo acceder a una vista preliminar del curso antes de inscribirme?
¿Qué recibiré cuando me inscriba?
¿Cuándo recibiré mi Certificado de curso?
¿Por qué no puedo participar como oyente en este curso?
Is financial aid available?
¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.
