Técnicas de diseño de algoritmos de aprendizaje automático
( 25 Módulos )
módulo #1 Introducción al diseño de algoritmos de aprendizaje automático Descripción general del aprendizaje automático, importancia del diseño de algoritmos y objetivos del curso
módulo #2 Fundamentos matemáticos del aprendizaje automático Revisión de álgebra lineal, cálculo, probabilidad y técnicas de optimización.
módulo #3 Selección y evaluación de modelos Métricas para evaluar modelos de aprendizaje automático, sobreajuste y subajuste
módulo #4 Compensación entre sesgo y varianza Comprender la relación entre sesgo y varianza en los modelos de aprendizaje automático
módulo #5 Diseño de modelos de regresión lineal Regresión lineal simple y múltiple, regularización e ingeniería de características
módulo #6 Diseño de modelos de regresión logística Regresión logística binaria y multiclase, función de pérdida logística y regularización
módulo #7 Árboles de decisión y bosques aleatorios Construcción de árboles de decisión, entropía y ganancia de información, bosques aleatorios y métodos de conjunto
módulo #8 Máquinas de vectores de soporte (SVM) Clasificación de margen máximo, SVM de margen suave y métodos de kernel
módulo #9 Diseño de redes neuronales Introducción a las redes neuronales, perceptrón, perceptrón multicapa y retropropagación
módulo #10 Redes neuronales convolucionales (CNN) Arquitectura, capas convolucionales, capas de agrupamiento y aplicaciones
módulo #11 Redes neuronales recurrentes (RNN) Arquitectura, capas recurrentes, redes de memoria a corto plazo (LSTM) y aplicaciones
módulo #12 Técnicas de aprendizaje no supervisado Técnicas de agrupamiento de K-medias, agrupamiento jerárquico y reducción de dimensionalidad
módulo #13 Técnicas de reducción de dimensionalidad Análisis de componentes principales (PCA), t-SNE y autocodificadores
módulo #14 Técnicas de detección de anomalías SVM de una clase, factor de valor atípico local (LOF) y bosque de aislamiento
módulo #15 Métodos de conjunto Embolsado, refuerzo y apilamiento, y selección de modelos de conjunto
módulo #16 Técnicas de interpretación de modelos Importancia de las características, gráficos de dependencia parcial y valores SHAP
módulo #17 Técnicas de ajuste de hiperparámetros Búsqueda en cuadrícula, búsqueda aleatoria y optimización bayesiana
módulo #18 Selección de modelos y ajuste de hiperparámetros en la práctica Estudios de casos y mejores prácticas para la selección de modelos y el ajuste de hiperparámetros
módulo #19 Manejo de conjuntos de datos desequilibrados Técnicas de remuestreo, aprendizaje sensible a los costos y ponderación de clases
módulo #20 Manejo de datos faltantes Técnicas de imputación, imputación media/moda e imputación múltiple
módulo #21 Manejo de datos de alta dimensión Técnicas de selección de características, eliminación recursiva de características y modelos dispersos
módulo #22 Diseño para la implementación Implementación de modelos, servicio de modelos y monitoreo de modelos
módulo #23 Ética y equidad en el aprendizaje automático Métricas de equidad, detección de sesgos y ética en el aprendizaje automático
módulo #24 Estudios de casos en el diseño de algoritmos de aprendizaje automático Aplicaciones en el mundo real de las técnicas de diseño de algoritmos de aprendizaje automático
módulo #25 Resumen y conclusión del curso Planificación de los próximos pasos en la carrera de Técnicas de Diseño de Algoritmos de Aprendizaje Automático
