Síguenos en Facebook 

Programa algoritmos

​que aprendan 

de los datos

​

Beneficios

• Garantía: tienes las primeras 4 clases para solicitar devolución.
• Tienes acceso a las clases grabadas hasta un mes después de terminar el curso.
• Paga a 3 meses sin intereses por PayPal (solo en México)
• Reconocimiento digital ante la Secretaría del Trabajo (STPS) de México.
• Descuentos para grupos (2 o más). Pregunta
  • Profesionistas 4000 MXN
  • Estudiantes 3800 MXN

Inicio y fin del curso

• Miercoles 24 de Junio 2020
• ​Viernes 7 de Agosto 2020

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

• Miércoles de 19 a 22hrs
• Viernes de 19 a 22hrs

MLP - Remoto en vivo

MX$4,700.00

Añade al carrito

Objetivo del curso

Aprender a usar los conceptos, las intuiciones y las herramientas para implementar programas capaces de aprender de los datos.

Casos de Estudio

• Predicción de precios de casas.  
• Predicción del área quemada por incendios forestales.
• Detección de cáncer.
• Análisis de sentimientos. Detección si un tweet es positivo o negativo.
• Clasificación de imágenes por tipo de ropa (Fashion MNIST).
• Agrupamiento no supervisado de imágenes con números manuscritos (MNIST).

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

Descarga: 

​Información Completa del Curso

MLP (remoto) - Información Completa.pdf
File Size:	228 kb
File Type:	pdf

Descargar archivo

---

Contenido resumido del curso

1. Panorama general del aprendizaje automático
   1. Introducción
   2. Herramientas y ambientes de trabajo
   3. Explorando conjuntos de datos
   4. Evaluar el desempeño de los modelos
2. Proceso del aprendizaje automático
   1. Desarrollo de proyectos de aprendizaje automático
   2. Clasificación
   3. Regresión
3. ​Modelos y métodos (aprendizaje supervisado)
   1. Curvas de aprendizaje
   2. Regularización: Early Stopping, DropOut, Lasso, Ridge, Elastic Net
   3. Algoritmos de Aprendizaje Automático: Máquinas de soporte vectorial, Árboles de decisión, Regresión logística, Naive Bayes, Vecinos más cercanos, Redes neuronales multicapa, Modelos ensamblados: Votación, Bagging y Boosting, Bosques aleatorios.
   4. Teorema de “No Free Lunch” (todo tiene un costo)
4. Aprendizaje no supervisado
   1. Agrupamiento, trabajando con datos no etiquetados
   2. Reducción de dimensionalidad y compresión de datos