Síguenos en Facebook 

Implementa algoritmos

​que aprendan 

sin etiquetas

​

Descarga: 

​Información Completa del Curso

MLNS - Información Completa.pdf
File Size:	484 kb
File Type:	pdf

Descargar archivo

---

En este taller gratuito, aprenderás las diferencias y ventajas que tienen los métodos de aprendizaje automático no supervisados, podrás entender el porqué es necesario su uso en una gran cantidad de datos y cómo poder seleccionar el mejor método para cada problema. Como casos de estudio revisaremos la base de datos MNIST usando PCA, autoencoder y clustering para reducir la dimensión de sus datos. Además, mostraremos un modelo GAN para generar imágenes (Google QuickDraw).

Descarga las diapositivas y los códigos 

Beneficios

• Garantía: tienes las primeras 4 clases para solicitar devolución.
  
• Tienes acceso a las clases grabadas hasta 2 meses después de terminar el curso.
  
• Paga a 3 meses sin intereses por PayPal
  
• Reconocimiento digital ante la Secretaría del Trabajo (STPS-México)

Inicio y fin del curso

• Viernes 9 de Julio 2021  
  
• Martes 24 de Agosto 2021  

Horarios
42 horas en total, 6 horas la semana (Horario de la Ciudad de México)

• Martes de 19 a 22hrs
• Viernes de 19 a 22hrs

Machine Learning No Supervisado

MX$4,999.00

Agotado

Añade al carrito

Objetivo del curso

Aprender los conceptos y herramientas necesarios para implementar programas capaces de aprender de los datos SIN ETIQUETAS. ​

Casos de Estudio

• Detección de fraudes en tarjetas de crédito
• Clasificación de flores 
• Detección de cáncer
• Predicción de ataques al corazón
• Sistema de recomendación de películas
• Generador de rostros inexistentes
• Analizador de electrocardiogramas

Herramientas a aprender a usar: Jupyter, Colab, Tensorflow, Keras, Sklearn, Numpy, MatPlotLib.

Contenido resumido del curso

1. Fundamentos de aprendizaje automático 
2. Herramientas e instalación
3. Aprendizaje no supervisado  
4. Proyecto de ML desde principio a final.
5. Reducción de dimensión 
6. Detección de anomalías 
7. Agrupamiento (clustering) 
8. Segmentación de grupo
9. Autocodificadores y su implementación 
10. Aprendizaje semisupervisado 
11. Sistemas de recomendación con RBM 
12. Detección de rasgos usando DBN 
13. Generative Adversarial Networks 
14. Agrupamiento de series de tiempo 
15. Conclusión