curso DevOps Artisan – Aprendizaje automático en TensorFlow/Keras Fundamentals está dirigido a todos aquellos que quieran aprender más sobre la Inteligencia Artificial.
En este curso, los participantes configurarán el entorno, escribirán las primeras líneas de código en Python utilizando bibliotecas numéricas y técnicas de visualización de datos. Este curso se puede utilizar como fuente de información independiente o como un paso hacia la ruta de aprendizaje del aprendizaje automático.
Para poder participar en este curso, los estudiantes deben tener conocimientos básicos de Data Science en Python.
Módulo 1: Introducción
- ¿Qué es ML?
- ¿Dónde puedo encontrarlo en la vida real?
- ¿Por qué ahora?
- ¿Cuáles son las tres categorías principales de ML?
- Aprendizaje supervisado
- Aprendizaje sin supervisión
- Aprendizaje por refuerzo (demostración)
- Canalización de ML
Módulo 2: Aprendizaje automático con sci-kit
- Revisión del proceso de aprendizaje automático
- Biblioteca Python de scikit
- Representación de datos
- Matriz de funciones
- Matriz de destino
- Ejemplo de conjunto de datos de iris
- API del estimador
- Regresión lineal
- Regresión lineal simple
- Evaluación del modelo
- Regresión polinomial
Laboratorio práctico: Hacer un poco de preprocesamiento de datos, analizar la diferencia entre datos categóricos y numéricos, trazar algunos valores estadísticos relevantes e inspeccionar visualmente la correlación entre características.
- Seleccionando el mejor modelo
- El equilibrio entre sesgo y varianza
- Regresión logística
- ¿Quién sobrevive al Titanic?
- Bayes ingenuos
- Bayes ingenuo gaussiano
- Bayes ingenuos multinomiales
- Bayes categóricamente ingenuo
- k Vecinos más cercanos
- Clustering de k-medias
- Reducción de dimensionalidad
- Análisis de componentes principales (PCA)
- Descomposición de valores singulares (SVD)
- Árboles de decisión
- Bosques al azar
Laboratorio práctico: Jugar con diferentes valores que afectan el sesgo y la varianza, calcular la precisión, la recuperación, las puntuaciones F1 y F2, comparar diferentes modelos sobre la precisión del entrenamiento y las pruebas.
Módulo 3: Redes neuronales en Tensorflow/Keras
- Redes neuronales artificiales (RNA)
- Neuronas
- Capas
- Funciones de activación
- Más vocabulario
- Marcos populares
- Keras
- Regresión lineal
- Definición de modelos en Keras
- Entrenamiento y predicción
- Ejemplo de MNIST de moda
Laboratorio práctico: Creando nuestro primer modelo de red neuronal personalizado; elegir el número de capas y el número de neuronas por capa; ajustando la tasa de aprendizaje. Entrenamiento de la red neuronal con datos del mundo real.
Módulo 4: Redes neuronales convolucionales (vistazo)
- Motivación detrás de las CNN
- Bloques de construcción de CNN
- Capas de convolución
- Capas de agrupación
- CNN en Keras
- Aumento de datos
- Arquitecturas
Módulo 5: PNL utilizando el aprendizaje profundo
- Detector de spam
- analizador de sentimiento
- autocompletar
Módulo 6: Aprendizaje por refuerzo
- Demostración del lago congelado
- Demostración de Flappy Bird
Módulo 7: Sistemas de recomendación
- Preparación de datos
- Distancia coseno
- SVD para sistemas de recomendación
- Demostración del codificador automático
DevOps Artisan – Aprendizaje automático en TensorFlow/Keras Fundamentals
