Conociendo el curso

Principios de Machine Learning

Desarrollado por Blockchain Academy Chile

Instructor: Gabriel Cabrera

Fecha: Junio 2020

Descripción

En la “era de los datos”, donde una gran cantidad de datos es almacenada todos los días, los métodos de Machine Learning se vuelven indispensable para entender el mundo. Mediante el uso intensivo de algoritmos computacionales las aplicaciones son variadas, tales como, análisis de imágenes para clasificación automática, predicción de ingresos para el próximo año (basado en métricas de desempeño), detección de fraude financiero, recomendación de productos sujeto a comportamientos pasados, etc.

Este curso presenta una introducción a Machine Learning, entre los tópicos a discutir se encuentran, conceptos básicos de ML, preparación de datos para algoritmos de ML, selección y entrenamiento de modelos supervisados, gradiente descendiente y aplicaciones.

Cada módulo está pensado para profesionales que posean cierta experiencia en el manejo (manipulación) de datos y que a su vez estén interesados en aprender, conocer y/o profundizar los fundamentos del Machine Learning como área de la inteligencia artificial (ciencia de datos). Se debe tener un conocimiento básico de álgebra lineal y estadística. Cada módulo está pensado para profesionales que posean cierta experiencia en el manejo/manipulación de datos y que a su vez estén interesados en aprender, conocer y/o profundizar los fundamentos del Machine Learning como área de la inteligencia artificial (ciencia de datos). Se debe tener un conocimiento básico de álgebra lineal y estadística.


Metodología de enseñanza

La metodología considera una combinación de:

  1. Los conceptos básicos de Machine Learning.
  2. Manipulación de datos en un contexto de Machine Learning.
  3. Comprender el proceso necesario para la construcción de modelos supervisados (selección y entrenamiento).
  4. La importancia del gradiente descendiente dentro del contexto de Machine Learning.
  5. Comprender y entender las aplicaciones en la industria.


Objetivos de aprendizaje

Luego de completar el curso, estarás familiarizado con:

  1. Los conceptos básicos de Machine Learning.
  2. Manipulación de datos en un contexto de Machine Learning.
  3. Comprender el proceso necesario para la construcción de modelos supervisados (selección y entrenamiento).
  4. La importancia del gradiente descendiente dentro del contexto de Machine Learning.
  5. Comprender y entender las aplicaciones en la industria.


Módulos del programa

Este curso está compuesto por los siguientes Módulos:

Módulo 1: Conceptos básicos de Machine Learning (ML)

Este módulo tiene como objetivo comprender las bases de la tecnología con algunos ejemplos prácticos que permitirán entender de mejor manera el potencial de esta tecnología:

  1. ¿Qué es Machine Learning?
  2. ¿Para qué usamos Machine Learning?
  3. Tipos de sistemas de Machine Learning
  4. Principales Desafíos

Módulo 2: Preparación de datos para algoritmos de ML

Prenderemos a manipular datos para comprender de mejor manera cuales pueden ser los problemas al trabajar con datos que no estén correctamente preparados, parte fundamental de cualquier modelo desarrollado en ML. Para eso abordaremos los siguientes tópicos:

  1. ¿Por qué es importante escalar los datos?
  2. Tipos de escalamiento.
  3. Muestra de entrenamiento, validación y testeo.

Módulo 3: Selección de modelos (supervisados)

Comprenderemos los problemas comunes en ML, analizando ejemplos que nos permitirá entender de mejor manera su manejo. Para eso abordaremos los siguientes tópicos:

  1. Problemas de predicción.
  2. Problemas de clasificación.

Módulo 4: Entrenamiento de modelos (supervisados)

Aprenderemos y comprenderemos a trabajar con un modelo de datos supervisados, analizando sobre su efectividad, ajuste y métricas, lo que nos permitirá entrenar el modelo. Para eso abordaremos los siguientes tópicos:

  1. Función de costo (perdida).
  2. Métricas de desempeño.
  3. Validación cruzada.
  4. Trade off sesgo-varianza.

Módulo 5: Gradiente Descendiente

Es un algoritmo de optimización genérico, capaz de encontrar la solución óptima a un rango de problemas. Aprenderemos a utilizarlo abordando los siguientes tópicos:

  1. Gradiente Descendiente Batch.
  2. Gradiente Descendiente Estocástico.
  3. Gradiente Descendiente Mini-Batch.

Módulo 6: Aplicación de Machine Learning

En este módulo aprenderemos a trabajar con datos reales, lo que nos permitirá aplicar los conocimientos adquiridos en los módulos previos. Para eso abordaremos los siguientes tópicos:

  1. El problema.
  2. Preparación de los datos.
  3. Selección del modelo.
  4. Entrenamiento del modelo.
  5. Desempeño del modelo.
  6. Recomendaciones

Módulo 7: Overview y trabajo final

En este módulo analizaremos lo aprendido en este curso sobre Principios de Machine Learning sobre manipulación de datos, pasos para la construcción de modelos supervisados, la importancia del algoritmo gradiente descendiente y el caso práctico del módulo 6.

Te entregaremos un trabajo final para poder optar a la certificación del curso.

En base a esto, te entregamos recomendaciones de pasos a seguir, para que puedas continuar tu aprendizaje sobre Machine Learning.


Lecturas Sugeridas

  1. Beezer, Robert A, T Hastie, R Tibshirani, and J Friedman Springer (2002). Citeseer.
  2. Géron, Aurélien (2019). O’Reilly Media.
  3. Grus, Joel (2019). O’Reilly Media.
  4. James, Gareth, Daniela Witten, Trevor Hastie, and Robert Tibshirani (2013). Vol. 112. Springer.
  5. LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton (2015). Vol. 521. 7553. Nature Publishing Group, pp. 436–444.
  6. Raschka, Sebastian and Vahid Mirjalili (2019). Packt Publishing Ltd.
  7. Watt, Jeremy, Reza Borhani, and Aggelos Katsaggelos (2020). Cambridge University Press.


Te invitamos a descargar el programa del curso acá.


Complete and Continue