Síguenos en Facebook 

Implementa algoritmos

​que aprendan 

sin etiquetas

​

Descarga: 

​Información Completa del Curso

MLNS03 - 2024 - Información Completa.pdf
File Size:	518 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

• Las clases son en línea vía Zoom, cada clase se va grabando y te damos acceso a las grabaciones por 5 meses.
• Reconocimiento digital ante la Secretaría del Trabajo (STPS-México).
• Reserva con solo $599 MXN y paga el resto en la 4ta semana.
• ​Precio total $1699 MXN. 
• Nuestros estudiantes en el extranjero (Colombia, Ecuador, Perú principalmente)  pueden pagar mediante Paypal. Contacta a Claudia Montaño mediante wa.me/5215539940156. 

Inicio y fin del curso

• Jueves 21 Noviembre 2024
• Jueves 13 Febrero 2025

Horarios
40 horas, 4 horas la semana (Horario de la Ciudad de México)

• Lunes y Jueves de 20 a 22hrs
• No hay clases: Del 20 Diciembre al 8 Enero.

Machine Learning No Supervisado

MX$1,699.00

Agotado

Añade al carrito

(RESERVA) Machine Learning No Supervisado

MX$599.00

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